MOSS-TTS生产级语音模型与跨癌种免疫图谱基准测评
单一语音生成模型在应对现实场景的复合需求时，其能力边界已明显不足。实际工程中，一段语音不仅需高保真地还原特定音色，还需在不同内容片段间无缝切换说话风格，在长达数十分钟的叙事中保持音质与韵律稳定，并兼容对话、角色扮演与实时交互等多种交互形态——这些诉求远超单个模型的承载上限。
针对这一行业瓶颈，MOSI.AI 与 OpenMOSS 开源发布 MOSS-TTS Family 语音生成模型家族。该家族并未采用单一巨型模型，而是将语音生成工作流拆解为五个生产级模型，涵盖高保真语音基座 MOSS-TTS、多说话人对话模型 MOSS-TTSD 等核心组件。其技术根基在于 1.6B 参数的大规模音频分词器 MOSS Audio-Tokenizer，借助纯 Transformer 架构的 CAT（Causal Audio Tokenizer with Transformer）实现高保真音频重建。该系列有效攻克了复杂场景下的多项应用难题，为语音生成领域交付了一套可直接接入创作流程的完整工具链。
公共数据集精选
1. Drone Sound Audio Detection 无人机音频检测数据集
该数据集专门采集了无人机飞行与未知背景环境的音频样本，核心目标在于训练模型精准区分环境中是否存在无人机。音频以标准格式（如 WAV）存储，适用于 Mel 频谱图提取、MFCC 特征提取、短时傅里叶变换（STFT）以及基于原始波形的深度学习模型等预处理管道。
2. Adverse Drug Reaction 模拟药物不良反应数据集
本数据集用于模拟药物不良反应（ADR）报告，旨在支撑药物安全监测研究、机器学习实验与算法开发。其中的个案安全报告（ICSRs）基于真实药物警戒系统（如 FDA FAERS、EMA EudraVigilance）的启发而人工生成，为药物安全研究提供了高质量的合成数据。
3. Pan-Cancer scRNA-Seq 癌症单细胞转录图谱数据集
该数据集包含 7,930 个单细胞的转录组表达数据，覆盖三种生物学状态：健康免疫基线、液体肿瘤（髓系白血病）以及实体肿瘤微环境（黑色素瘤）。它被设计为跨队列整合的单细胞分析基准，可用于算法性能评估与方法对比、多队列批次效应校正、免疫耗竭状态分析及跨肿瘤类型的生物标志物挖掘等场景。
公共教程精选
1. ACE-Step 1.5：音乐生成 Demo
ACE-Step 1.5 是 ACE Studio 与阶跃星辰（StepFun）联合开源的音乐生成基础模型，旨在突破开源音乐生成能力的边界。该模型采用创新的双阶段生成架构，通过扩散变换器（DiT）与语言模型（LM）的协同集成，实现高质量、长时长的音乐内容生成。
Demo 页面
2. Qwen3-ASR-1.7B：新一代语音识别系统
Qwen3-ASR 是阿里云通义千问团队推出的新一代开源端到端自动语音识别（ASR）模型系列。该模型基于 Qwen3-Omni 多模态基础模型及自研的 AuT 语音编码器构建，专注于高精度、多语种、长音频以及流式与非流式统一的语音到文本转录能力。它以原始音频信号为输入，通过端到端架构直接映射为结构化文本输出，同时支持字/词级毫秒级时间戳对齐，适用于会议转写、智能字幕、客服语音归档及方言语音交互等众多场景。
Demo 页面
3. vLLM+Open WebUI 部署 Qwen3-Coder-Next
Qwen3-Coder-Next 是阿里云通义千问开源的轻量级代码生成大模型，专注于全场景编程辅助与代码生成任务。该模型以「高性能、低门槛、易部署」为核心优势，基于 Qwen3 大语言模型架构优化，融合代码领域专属的预训练数据（覆盖 80+ 主流编程语言、10 亿+ 代码片段）与 RLHF 代码对齐优化，在 HumanEval+、MBPP、MultiPL-E 三大权威代码评测榜单中均达到开源模型第一梯队水平，性能接近 CodeLlama-70B，适用于算法编写、业务代码生成、代码注释补充、跨语言代码转换、Bug 修复等多类编程场景。
Demo 页面
4. VibeVoice-ASR：多功能端到端语音识别 Demo
VibeVoice-ASR 是 Microsoft 团队开源的高性能、多功能端到端语音识别（ASR）模型，专为长音频内容提供结构化、上下文感知的语音转文本服务。该模型采用先进统一音频建模架构，可一次性处理长达 60 分钟的长音频，支持生成包含说话人身份（Who）、时间戳（When）、转录内容（What）的结构化输出，并允许用户提供上下文信息以提升识别准确率。其核心技术突破在于高效的长序列建模能力与跨语言多任务学习机制，彻底解决了传统 ASR 模型在长音频处理中的时间对齐与语义连贯性问题。
Demo 页面
5. MOSS-TTS ：高保真多场景语音生成模型
MOSS-TTS 系列是 MOSI.AI 与 OpenMOSS 团队推出的开源语音生成模型系列。当一段音频需要听起来像真人、每个字发音准确、在不同内容间切换说话风格、维持数十分钟稳定性、支持对话、角色扮演及实时交互时，单一的 TTS 模型往往难以胜任。因此，本项目将语音生成工作流解耦为五个可独立使用或组合的生产级模型，包括核心的 MOSS-TTS 基础模型、MOSS-TTSD 多语言对话模型、MOSS-VoiceGenerator 声音设计模型、MOSS-SoundEffect 音效生成模型及 MOSS-TTS-Realtime 实时交互模型。该系列支持 20 种语言，主要解决高保真零样本语音克隆、长达一小时的稳定长文本合成、多语种及中英文混合生成，以及复杂场景下的细粒度时长与音素级发音控制等现实应用难题。
Demo 页面
6. Z-Image：阿里 60 亿参数开源文生图模型
Z-Image 是阿里云通义千问团队推出的新一代高效图像生成模型。在发布 Z-Image-Turbo 蒸馏版并登顶 Artificial Analysis 文生图开源模型榜单后，Z-Image 团队正式开源了 Z-Image 标准版。作为 Z-Image 系列的主要社区基模，标准版是未经蒸馏的完整模型，在生成质量、风格多样性与二次开发支持方面表现卓越，旨在为社区开发者提供一个强大且灵活的图像生成基座，解锁定制开发与微调的更多可能。
Demo 页面
7. Qwen3-TTS：高质量可控多语言语音合成 Demo
Qwen3-TTS-12Hz-1.7B-CustomVoice 是阿里通义团队推出的新一代高质量语音合成（TTS）基模。该模型在单一统一框架内实现多语种语音合成、多说话人（Custom Voice）控制、基于文本指令的风格与情感调节，以及高自然度与低延迟的语音生成。基于 12Hz 声学建模框架，参数量达 1.7B，模型在语音清晰度、韵律一致性与跨语种稳定性方面表现优异。通过引入 CustomVoice 机制，该模型可在推理阶段直接切换预设说话人，无需额外训练，并结合自然语言风格指令，实现更精细化的表达控制。
Demo 页面
8. FoundationMotion 视频问答系统
FoundationMotion 是英伟达和麻省理工学院联合推出的基于 Qwen2.5-VL 微调的视频理解与问答系统，旨在实现对视频中空间运动的理解与推理。该模型通过融合视觉语言预训练技术，能够对上传的视频内容进行智能分析并回答相关问题。
Demo 页面
社区文章解读
1. 突破传统多模态整合局限！MIT 提出 APOLLO 框架，实现细胞共享与特异性信息明确分离
随着单细胞技术的持续演进与数据规模的急剧增长，如何高效、自动化地整合多模态数据，同时清晰解耦共享信息与模态特异性信息，已成为当前单细胞生物学的核心挑战。针对这一难题，麻省理工学院与瑞士苏黎世联邦理工学院的联合研究团队，提出了通用深度学习计算框架 APOLLO（Autoencoder with a Partially Overlapping Latent space learned through Latent Optimization）。该框架通过显式建模共享信息和模态特异性信息，为更全面、精准地解析细胞状态及其调控逻辑提供了一条可行的技术路径。
2. 在线教程丨基于 500 万小时语音数据，Qwen3-TTS 实现 3 秒语音克隆及精细调控
当生成式 AI 不再局限于「生成文字」，而是开始真正「发出声音」，语音就从信息通道升级为可编程、可塑造的表达媒介。在这一技术演进路径上，新一代模型开始尝试突破传统 TTS 的边界——不仅追求更高保真度，还强调多语言泛化能力与精细化控制能力。由 Qwen 团队日前开源的 Qwen3-TTS 便是基于双轨语言模型（LM）架构，在实时语音合成的同时，也可对输出语音进行细粒度调控。
3. MIT 开发 Pichia-CLM 模型学习酵母 DNA「语言」，外源蛋白产量最高可提高至 3 倍
目前业界已开发多种基于宿主 CUB 的密码子优化工具和方法，但这些方法仍可能无法稳定地产生高表达构建体。近年来，随着人工智能尤其是序列建模技术的发展，研究者开始将基因序列视为一种「语言」，通过类似自然语言处理的方法学习其中的隐含规则。在此背景下，麻省理工学院的研究团队提出基于深度学习的语言模型 Pichia-CLM，用于在工业相关宿主毕赤酵母中进行密码子优化，以提升重组蛋白的产量。
热门百科词条精选
1. 视觉语言模型 VLM
2. 超网络 HyperNetworks
3. 门控注意力 Gated Attention
4. 人机回圈 Human-in-the-loop (HITL)
5. 神经辐射场 Neural Radiance Field (NeRF)