中文简介
OpenMOSS-Team/MOSS-SoundEffect-v2.0 是 OpenMOSS-Team 在 Hugging Face 发布的模型仓库,当前卡片主要关联文本生成与推理。本站固定记录上游版本 e35df4d82fbe,同步到 17 个文件,文件元数据合计 10.45 GB;访问状态为“公开”,许可证字段为“apache-2.0”。
上游模型卡 / 数据集卡
【README 卡片中文译介】
以下内容依据上游仓库 OpenMOSS-Team/MOSS-SoundEffect-v2.0 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息,完整技术细节、代码示例和许可文本请同时查看上游原文。
【资源概览】
OpenMOSS-Team/MOSS-SoundEffect-v2.0 是 OpenMOSS-Team 在 Hugging Face 发布的模型仓库,当前卡片主要关联文本生成与推理。本站固定记录上游版本 e35df4d82fbe,同步到 17 个文件,文件元数据合计 10.45 GB;访问状态为“公开”,许可证字段为“apache-2.0”。
【适用方向】
适合在真实样本上评估文本生成与推理能力,并比较质量、时延和资源消耗。 建议先用小规模样本验证推理框架、输入输出格式和任务指标,再决定是否进入完整权重获取、量化或部署评估。
【版本与规格】
固定版本:e35df4d82fbe。 任务标签:文本生成与推理。 语言字段:en, zh。 上游 Safetensors 元数据显示参数量约 1.42 B。 库标记:diffusers。 上游标注的基础模型:Qwen/Qwen3-1.7B。 上游页面记录的最近更新时间:2026-05-26。
【文件信息】
上游 API 返回 17 个文件,文件元数据合计 10.45 GB。 已保存文件清单中的主要扩展名:.json 10 个、.safetensors 3 个、.md 1 个、.pth 1 个、.txt 1 个、无扩展名 1 个。 当前较大的文件包括:transformer/diffusion_pytorch_model.safetensors(5.28 GB);text_encoder/model-00001-of-00002.safetensors(3.20 GB);vae/vae_128d_48k.pth(1.38 GB)。
【运行或处理环境】
仓库文件元数据合计 10.45 GB。 按每参数 2 字节只计算 BF16 权重,理论下限约 2.64 GB;这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定,不能只凭参数名或仓库大小作部署承诺;应在目标格式和目标硬件上实测。
【使用边界】
许可证显示为“apache-2.0”,具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险,面向业务前应建立任务级评测、权限隔离和人工确认。
MOSS-SoundEffect-V2.0 MOSS-SoundEffect v2.0** is a text-to-audio model with a Diffusion Transformer (DiT) backbone trained with the Flow Matching objective, paired with a DAC VAE and a Qwen3 text encoder. It generates high-fidelity environmental, urban, creature, and human-action sound effects from natural-language prompts, with controllable duration up to 30 seconds at 48 kHz. 1. Overview 1.1 TTS Family Positioning Within the MOSS-TTS Family, MOSS-SoundEffect is the dedicated **text-to-sound** model — the family member that turns natural-language captions into non-speech audio (ambience, urban scenes, creatures, human actions, short music-like clips). v2.0 supersedes the v1 discrete-token autoregressive backbone (`MossTTSDelay`) with a continuous-latent **Diffusion Transformer + Flow Matching** design. 1.2 Key Capabilities **Broad SFX coverage**: natural environments, urban environments, animals & creatures, human actions, and short musical/percussive clips. **Long-form generation**: stable audio up to **30 seconds** per call with the duration tag prepended to the prompt at training time. **Bilingual prompts**: trained with both **English and Chinese** captions. 1.3 Released Models | Model | Architecture | DiT Variant | Parameters | |---|---|---|---:| | **MOSS-SoundEffect-V2.0** | DiT + Flow Matching | `1.3B` | 1.3B | Recommended inference hyperparameters** | Parameter | Default | Description | |---|---:|---| | `num_inference_steps` | 100 | Number of flow-match solver steps. | | `cfg_scale` | 4.0 | Classifier-free guidance weight. | | `sigma_shift` | 5.0 | Flow-match scheduler shift applied per call. | | `seconds` | 10.0 | Output duration. Up to 30. | 2. Quick Start Environment Setup We recommend a clean, isolated Python 3.12 environment to avoid dependency conflicts with the top-level MOSS-TTS environment. For a minimal **inference-only** install (still ships the Gradio demo; skips the fine-tuning extras): Basic Usage The underlying DiT is wrapped with `torch.comp
适用场景
适合在真实样本上评估文本生成与推理能力,并比较质量、时延和资源消耗。 建议先用小规模样本验证推理框架、输入输出格式和任务指标,再决定是否进入完整权重获取、量化或部署评估。
模型参数
固定版本:e35df4d82fbe。 任务标签:文本生成与推理。 语言字段:en, zh。 上游 Safetensors 元数据显示参数量约 1.42 B。 库标记:diffusers。 上游标注的基础模型:Qwen/Qwen3-1.7B。 上游页面记录的最近更新时间:2026-05-26。
文件说明
上游 API 返回 17 个文件,文件元数据合计 10.45 GB。 已保存文件清单中的主要扩展名:.json 10 个、.safetensors 3 个、.md 1 个、.pth 1 个、.txt 1 个、无扩展名 1 个。 当前较大的文件包括:transformer/diffusion_pytorch_model.safetensors(5.28 GB);text_encoder/model-00001-of-00002.safetensors(3.20 GB);vae/vae_128d_48k.pth(1.38 GB)。
上游文件元数据
.gitattributes1.54 KBmodel_index.json504 BREADME.md3.74 KBscheduler/scheduler_config.json134 Btext_encoder/config.json726 Btext_encoder/generation_config.json239 Btext_encoder/model-00001-of-00002.safetensors3.20 GBtext_encoder/model-00002-of-00002.safetensors593.50 MBtext_encoder/model.safetensors.index.json25.00 KBtokenizer/merges.txt1.59 MBtokenizer/tokenizer.json10.89 MBtokenizer/tokenizer_config.json9.50 KB
硬件建议
仓库文件元数据合计 10.45 GB。 按每参数 2 字节只计算 BF16 权重,理论下限约 2.64 GB;这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定,不能只凭参数名或仓库大小作部署承诺;应在目标格式和目标硬件上实测。
注意事项
许可证显示为“apache-2.0”,具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险,面向业务前应建立任务级评测、权限隔离和人工确认。
获取、校验与交付
咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件,并在合法访问权限、许可证及平台规则允许的前提下,协助海内外下载、完整性校验及网盘或硬盘交付;本官网本身不托管或下载资源文件。
- 大模型获取与国内转存服务
- 大模型怎么下载:Hugging Face 官方方式与国内交付完整指南
- 国内下载 Hugging Face 模型很慢或经常中断怎么办
- DeepSeek、ChatGPT、豆包、Kimi 能否下载到本地
本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明,不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。