OpenMOSS lança MOSS-Audio: modelo de áudio 8B open source que vence concorrentes fechados classe 30B no MMAU

A OpenMOSS, o laboratório IA open source afiliado à Universidade Fudan e parceiro da MOSI.AI e do Shanghai Innovation Institute, lançou MOSS-Audio hoje, uma família de modelos fundacionais de áudio cobrindo transcrição de fala, compreensão de som ambiental, análise musical, e o que chamam de raciocínio de áudio temporal, tudo numa única arquitetura em vez da pilha usual de modelos especializados. Há quatro variantes: tamanhos 4B e 8B, cada um em configurações Instruct e Thinking, totalizando cerca de 4,6B e 8,6B parâmetros. A arquitetura é uma pilha de três componentes: um codificador de áudio operando a resolução temporal de 12,5 Hz, um adaptador de modalidade, e um backbone de modelo de linguagem Qwen3-4B ou Qwen3-8B. Os pesos estão no HuggingFace em huggingface.co/collections/OpenMOSS-Team/moss-audio, o código no GitHub em github.com/OpenMOSS/MOSS-Audio. O lançamento é mais um ponto de dados na história laboratório-chinês-pesos-abertos contra fronteira-fechada-ocidental que tem sido o padrão dominante em lançamentos de modelos de 2026.

A peça tecnicamente interessante é a capacidade temporal, que é a parte que não existe em modelos de áudio fechados de fronteira atuais. MOSS-Audio insere tokens marcadores de tempo explícitos em intervalos fixos nas representações de quadro de áudio durante o pré-treinamento, o que significa que o modelo aprende a vincular conteúdo a timestamps absolutos nativamente em vez de como uma etapa de inferência posterior. O efeito a jusante é que o modelo pode responder «o que o falante disse na marca de 2 minutos» com o timestamp embutido no texto de resposta, sem uma passagem de alinhamento separada. Concretamente em ASR com timestamp, MOSS-Audio-8B-Instruct atinge 35,77 AAS em AISHELL-1 e 131,61 AAS em LibriSpeech, o que nos números publicados é dramaticamente melhor que Qwen3-Omni-30B em 833,66 e Gemini-3.1-Pro em 708,24. AAS mais baixo é melhor, então essa é uma lacuna real, não uma fatia amigável a marketing. Em compreensão geral de áudio o modelo 8B-Thinking média 71,08% em MMAU/MMAU-Pro/MMAR/MMSU, à frente de Step-Audio-R1 em 70,67% (apesar de Step ser 33B), Qwen3-Omni-30B em 67,91%, MiMo-Audio-7B em 62,97%, e Kimi-Audio-7B em 61,14%. A avaliação de captioning de fala, pontuada por um LLM-juiz em 13 dimensões incluindo gênero, sotaque, emoção e tom, tem 8B-Instruct liderando em 11 dessas 13 com média de 3,7252. A taxa de erro de 11,30 caracteres na avaliação ASR de 12 dimensões é a mais baixa no conjunto de comparação.

A implicação mais ampla é que a fronteira de modelos de áudio open-weight passou a fronteira fechada em tarefas temporais especificamente, enquanto a fronteira mais ampla de compreensão de áudio apertou. Um modelo aberto 8B baseado em Qwen3 vencendo um modelo Step-Audio 33B em MMAU é o tipo de atualização de curva de eficiência que importa para qualquer um construindo pipelines de áudio em produção, porque muda diretamente a matemática de custo de inferência por tarefa. O fato de que MOSS-Audio também supera Gemini-3.1-Pro (um carro-chefe fechado) em ASR com timestamp é mais difícil de descartar como gaming de benchmark porque precisão de timestamp é mecanicamente mensurável. A ressalva em tudo isso é que os números de benchmark vêm do paper OpenMOSS e ainda não foram reproduzidos independentemente; quem fizer a primeira replicação independente será o ponto de dados portante. A outra ressalva é que benchmarks de áudio ainda são um ecossistema menor e mais ruidoso que benchmarks de texto, MMAU-Pro e MMSU são relativamente novos, e a lacuna entre vitórias de benchmark e utilidade de produção é real. Mas o nível sub-10B-parâmetros de modelos de áudio open-weight é agora genuinamente competitivo com o nível classe 30B fechado em tarefas que têm avaliações mensuráveis, o que não era verdade há 12 meses.

Para construtores trabalhando com áudio, três coisas práticas mudam. Primeiro, se você está rodando fala-para-texto com alinhamento de timestamp como passo separado (transcrição Whisper seguida de alinhamento forçado), MOSS-Audio oferece a opção de fazer ambos em um modelo único, o que simplifica o pipeline e provavelmente é mais rápido ponta-a-ponta a 8B. Segundo, a capacidade multi-modal de áudio (id de falante, emoção, som ambiental, estilo musical) em um modelo único significa que você pode reduzir contagem de modelos em produtos de pipeline de áudio que atualmente encadeiam um modelo de transcrição, um classificador de emoção, e um detector de eventos sonoros; o trade-off é que modelos monolíticos são mais difíceis de trocar por um componente, então isso é ajuste para produtos greenfield mais que retrofits incrementais. Terceiro, o licenciamento de pesos abertos (o artigo não especifica a licença exata, então verifique o GitHub antes de qualquer uso comercial) torna isso implantável em infraestrutura do cliente para casos de uso onde enviar áudio para uma API fechada não é aceitável. Notas de voz em saúde, transcrição em ambiente classificado (o debate de política ao vivo acabou de ser reafiado hoje pela carta de funcionários Google-Pentágono), e assistentes em dispositivo todos têm agora uma opção open-weight credível na classe de tamanho 4-8B. Se MOSS-Audio se sustenta sob replicação de benchmark independente é a pergunta a rastrear nos próximos 30 dias; se sim, a paisagem competitiva de modelos de áudio para o resto de 2026 é significativamente diferente do que era na semana passada.