MOSS-TTS-Realtime

MOSS团队发布多模态AI模型，涵盖语音、图像和视频

MOSS团队，源自复旦大学和上海人工智能研究院，正在开发一套专注于理解和生成语音、音频、图像和视频的综合性AI模型。其MOSS-Image模型是一个基于5B DiT骨干的文本到图像生成器，支持中英文文本渲染和JSON布局控制，其ComfyUI版本已获得广泛应用，下载量超过370万次。该团队还提供多种语音合成和语音克隆工具、用于语音转录和声音分析的音频理解模型，以及用于音乐理解和视频生成的模型。