Narzędzia AI
MOSS-Audio: co pokazują benchmarki i kiedy testować zamiast Whispera
Zaktualizowano: Autor: Andrzej Niemiec10 min czytania
MOSS-Audio to otwarty model rozumienia audio z 2026 roku. Sprawdzamy, co pokazują benchmarki, ile potrzebuje VRAM i kiedy warto testować go zamiast Whispera.
Spis treści
- Czym jest MOSS-Audio?
- Kto stoi za MOSS-Audio i kiedy go wydano?
- Jakie warianty MOSS-Audio wydano?
- Który wariant wybrać do transkrypcji?
- Co pokazują benchmarki MOSS-Audio?
- Czy MOSS-Audio bije Whispera?
- Ile VRAM potrzebuje MOSS-Audio?
- MOSS-Audio czy Whisper? Porównanie
- Kiedy warto zrobić własny test MOSS-Audio?
- Jak zacząć pracę z MOSS-Audio?
- Najczęstsze pytania
- Źródła
Czym jest MOSS-Audio?
MOSS-Audio to otwarty model rozumienia audio, a nie wyłącznie system transkrypcji mowy. Obsługuje rozpoznawanie mowy, transkrypcję z timestampami, opisywanie dźwięków otoczenia i muzyki, odpowiadanie na pytania o nagranie oraz rozumowanie oparte na treści audio [1][2]. Kod źródłowy i wagi są publicznie dostępne [1][3].
Zakres zadań jest szerszy niż w typowym modelu ASR. Ten sam model opisuje scenę dźwiękową, wskazuje momenty w nagraniu i odpowiada na pytania o jego treść [2]. Modele zebrano w jednej kolekcji na Hugging Face, co ułatwia porównanie wariantów i pobranie wag [4].
Kto stoi za MOSS-Audio i kiedy go wydano?
Projekt przypisuje się OpenMOSS, MOSI.AI i Shanghai Innovation Institute [3][5]. Wydanie modelu ogłoszono 13 kwietnia 2026 roku [5], a raport techniczny opublikowano w arXiv w czerwcu 2026 roku [2]. Materiały nie wskazują polskiego podmiotu jako twórcy ani wdrożeniowca [5].
Wsparcie narzędzi jest nadal w budowie. W repozytorium vLLM pojawiło się zgłoszenie o dodanie obsługi MOSS-Audio [6]. Integracje dla eksperymentów powstają też poza głównym repozytorium, na przykład wtyczki do ComfyUI [7].
Jakie warianty MOSS-Audio wydano?
Wydano cztery modele: 4B-Instruct, 4B-Thinking, 8B-Instruct i 8B-Thinking [3][4]. Warianty 4B mają około 4,6 mld parametrów, a warianty 8B około 8,6 mld [3]. Oba rozmiary bazują na modelach Qwen3, odpowiednio Qwen3-4B i Qwen3-8B [3].
Podział na Instruct i Thinking dotyczy trybu pracy. Instruct wykonuje zadania wprost, Thinking kładzie nacisk na wieloetapowe rozumowanie [2]. Wybór wariantu zmienia więc nie tylko jakość odpowiedzi, ale też czas i koszt inferencji.
Który wariant wybrać do transkrypcji?
Do transkrypcji i opisywania nagrań zwykle wystarcza wariant Instruct. W tej wersji model wykonuje zadania bezpośrednio, między innymi transkrypcję i captioning [2]. Thinking bywa przydatny przy pytaniach wymagających rozumowania, ale nie należy wybierać go automatycznie do produkcyjnego ASR [2].
Raport nie twierdzi, że Thinking poprawia jakość transkrypcji. Jego przewaga dotyczy zadań rozumowania, a nie samego przepisywania mowy na tekst [2].
Co pokazują benchmarki MOSS-Audio?
Według raportu technicznego 8B-Instruct osiąga CER 11,30 w agregowanym zestawie testów ASR [2]. W transkrypcji z timestampami uzyskuje AAS 35,77 na zbiorze AISHELL-1 i 131,61 na LibriSpeech [2]. To wyniki laboratoryjne, mierzone na publicznych zestawach, a nie w polskim call center.
Raport wymienia między innymi zbiory AISHELL-1 i LibriSpeech oraz zestawy chińskojęzyczne [2]. Taki dobór materiału oznacza, że wyników nie można wprost przenosić na nagrania z polskich infolinii. Jeśli chcesz lepiej czytać takie zestawy, zajrzyj do tekstu Benchmarki AI: dlaczego Nvidia postawiła na OpenClaw zamiast kolejnego hype'u.
Czy MOSS-Audio bije Whispera?
Materiały nie dają podstaw do twierdzenia o uniwersalnej przewadze nad Whisperem. Raport pokazuje dobre wyniki w wybranych testach ASR i timestamp-ASR, ale nie zawiera porównania na polskich rozmowach telefonicznych z raportowanym WER lub CER [2]. Whisper działa natywnie w około 100 językach i dodaje interpunkcję [8], więc wybór modelu zależy od języka i rodzaju nagrań.
Ostrożność jest wskazana z dwóch powodów. Publiczny zbiór nie odwzorowuje hałasu linii telefonicznej ani nakładających się głosów, a raport nie rozstrzyga, jak model radzi sobie z polskimi nazwami własnymi [2].
Ile VRAM potrzebuje MOSS-Audio?
Warianty 4B potrzebują około 8–10 GB VRAM, a warianty 8B około 15–18 GB, zależnie od kwantyzacji i konfiguracji [1][7]. To wartości z przykładowych integracji, a nie jedno oficjalne minimum.
Koszt infrastruktury trzeba policzyć od zera dla własnego przypadku. Zależy on od długości nagrań, przepustowości, sprzętu i batchowania [2].
MOSS-Audio czy Whisper? Porównanie
| Kryterium | MOSS-Audio | Whisper |
|---|---|---|
| Zakres zadań | Transkrypcja, timestampy, dźwięki otoczenia, muzyka, pytania o nagranie [1][2] | Transkrypcja i tłumaczenie w około 100 językach [8] |
| Rozmiary | 4B i 8B, każdy w trybie Instruct i Thinking, około 4,6 i 8,6 mld parametrów [3] | Rodzina od tiny do large-v3-turbo [9] |
| Raportowane wyniki | CER 11,30 oraz AAS 35,77 i 131,61 w wybranych testach [2] | Materiał nie podaje wyników porównywalnych z tymi testami [8][9] |
| Sprzęt | Około 8–10 GB VRAM dla 4B, 15–18 GB dla 8B [1][7] | Działa lokalnie również na laptopie, także offline [9] |
| Język polski | Brak testu w dostępnych materiałach [2] | Obsługa polskiego w ramach około 100 języków [8] |
Tabela pokazuje różnicę charakteru, nie różnicę jakości. MOSS-Audio jest modelem szerszym zadaniowo, Whisper pozostaje dojrzałym narzędziem do transkrypcji w wielu językach [1][8].
Kiedy warto zrobić własny test MOSS-Audio?
Własny test ma sens przed każdym wdrożeniem produkcyjnym, szczególnie gdy nagrania są polskie i pochodzą z linii telefonicznej. Kontrolowany test powinien objąć zanonimizowane rozmowy i raportować WER lub CER, bo bez tej metryki nie da się porównać modeli [2].
Polecamy zacząć od próbki ograniczonej do jednego typu rozmów i jednego języka. Dopiero potem warto rozszerzać test na inne kanały i porównywać koszt inferencji przy realnym wolumenie [2]. Więcej o przechodzeniu od pilotażu do produkcji przeczytasz w tekście Praktyczne zastosowania AI: Od pilotażu do produkcji.
Jak zacząć pracę z MOSS-Audio?
Praktyczny start to pobranie wag z kolekcji na Hugging Face i uruchomienie modelu lokalnie [3][4]. Do serwowania przydaje się stos inferencji z obsługą modelu, nad którą pracuje społeczność vLLM [6]. Do szybkich eksperymentów można użyć wtyczek dla ComfyUI [7].
Raport udostępnia instrukcje fine-tuningu, więc dostosowanie do własnej domeny jest możliwe [2]. Warto przy tym pamiętać, że dostrajanie wymaga danych i sprzętu, a nie tylko konfiguracji.
Najczęstsze pytania
Czy MOSS-Audio jest polskim modelem?
Nie. Projekt przypisuje się OpenMOSS, MOSI.AI i Shanghai Innovation Institute [3][5]. Materiały nie wskazują polskiego podmiotu jako twórcy modelu ani podmiotu wdrażającego go w polskim call center [5].
Czy MOSS-Audio obsługuje język polski?
Dostępne materiały nie zawierają testu na polskich nagraniach, więc nie da się potwierdzić jakości dla tego języka [2]. Model jest modelem wielozadaniowym, a raport opisuje wyniki na zbiorach ASR, między innymi AISHELL-1 i LibriSpeech [2]. Dla polskiego potrzebny jest osobny, kontrolowany test.
Ile kosztuje wdrożenie MOSS-Audio?
Materiały nie podają ceny wdrożenia ani kosztu godziny audio. Wiadomo, że model jest otwarty, a wymagania to około 8–10 GB VRAM dla wariantów 4B i 15–18 GB dla 8B [1][7]. Koszt trzeba policzyć z własnego wolumenu nagrań, sprzętu i batchowania [2].
Czy MOSS-Audio zastąpi Whispera?
Nie ma na to dowodów w dostępnych materiałach. Raport pokazuje mocne wyniki w wybranych testach, ale nie dowodzi przewagi nad Whisperem dla polskiego, hałaśliwych rozmów telefonicznych ani nakładających się mówców [2]. Wybór zależy od języka, typu nagrań i budżetu.
Źródła
- GitHub - OpenMOSS/MOSS-Audio: An open-source model for understanding speech, environmental sounds, and music through captioning, question answering, and reasoning (GitHub, 2026)
- [[2606.01802] MOSS-Audio Technical Report (arXiv, 2026)](https://arxiv.org/abs/2606.01802)
- OpenMOSS-Team/MOSS-Audio-4B-Instruct (Hugging Face, 2026)
- MOSS-Audio - a OpenMOSS-Team Collection (Hugging Face, 2026)
- OpenMOSS Releases MOSS-Audio: An Open-Source Foundation Model for Speech, Sound, Music, and Time-Aware Audio Reasoning (MarkTechPost, 2026)
- [[New Model]: OpenMOSS-Team/MOSS-Audio (audio understanding) · Issue #43431 · vllm-project/vllm (GitHub, 2026)](https://github.com/vllm-project/vllm/issues/43431)
- GitHub - DrunkTramp/comfyui-moss-audio: ComfyUI nodes for MOSS audio with compatible venv (GitHub, 2026)
- OpenAI Whisper to na dzień dzisiejszy najlepsza open-source'owa alternatywa dla Google Speech-to-Text (NLP Cloud, 2026)
- Transkrypcja Whisper: modele, szybkość i jak uruchomić offline (WhisperNotes, 2026)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji