### [模思智能 MOSI – MOSS实时多模态、语音、视频理解与生成模型平台](https://www.zuoshipin.com/link/52202.html)

**Published:** 2026-10-12T09:53:21

**Author:** 天才交易员

**Excerpt:** 模思智能由复旦大学OpenMOSS团队孵化，提供MOSS-VL、MOSS-Audio、MOSS-TTS、MOS…

## 模思智能是什么？

**模思智能（MOSI）是一家面向全模态情境交互智能的大模型公司。**公司总部位于上海，孵化于上海创智学院与复旦大学OpenMOSS团队，由邱锡鹏教授担任首席科学家。长期方向是让AI走出单次对话框，持续感知语音、画面和环境，并自然回应或执行任务。

[![MOSS视觉、音频、语音与音视频联合生成模型矩阵](https://admin.zuoshipin.com/wp-content/uploads/2026/10/mosi-moss-image02.webp)](https://admin.zuoshipin.com/wp-content/uploads/2026/10/mosi-moss-image02.webp)

MOSS视觉、音频、语音与音视频联合生成模型矩阵。

## MOSS模型矩阵

-   **MOSS-VL：**长视频与连续视频流理解，Realtime版本支持即时提问、主动响应和动态纠正。
-   **MOSS-Audio：**同时理解语音、环境声和音乐，可完成描述、问答和时间推理。
-   **MOSS-TTS：**覆盖高保真音色克隆、流式语音、多说话人长音频、音色设计和音效生成。
-   **MOSS-Transcribe-Diarize：**输出转写文本、说话人身份和时间戳。
-   **MOVA：**联合生成同步的视频、语音和环境音。

[![MOSS全模态实时交互框架](https://admin.zuoshipin.com/wp-content/uploads/2026/10/mosi-moss-image03.webp)](https://admin.zuoshipin.com/wp-content/uploads/2026/10/mosi-moss-image03.webp)

MOSS全模态实时交互框架。

## 实时交互路线

模思智能把系统划分为感知、生成和交互三层：前端模型持续处理视频、语音、文本与环境信息，后端能动性模型承担复杂推理和任务执行。即将推出的MOSS Live将尝试让两者协同，使AI在执行任务时仍能保持连续交流。

## 使用建议

1.  先确认任务是视频理解、语音合成、音频理解还是音视频生成，不要只按“MOSS”名称下载。
2.  逐个仓库核对许可证、显存、推理后端、量化版本和商用限制。
3.  实时视频任务应测试端到端延迟、长时间漂移、打断恢复和多会话吞吐。
4.  涉及摄像头、麦克风和人物声音时，要提前处理授权、隐私、合成标识与数据留存。

**注意：**模型开源不等于零成本部署，也不代表所有组件都使用相同许可证。生产环境还需验证硬件、运维、内容安全和隐私合规。

## 官方入口

[访问模思智能官方网站](https://www.mosi.cn/)

[进入模思智能官方体验平台](https://platform.mosi.cn/)

[查看OpenMOSS官方开源项目](https://github.com/OpenMOSS)



---