复旦大学MOSS团队推出MOSS-Speech，首次实现端到端Speech-to-Speech对话，模型已上线Hugging Face Demo并同步开源权重与代码。MOSS-Speech采用“层拆分”架构:冻结原MOSS文本大模型参数，新增语音理解、语义对齐与神经声码器三层，可一次性完成语音问答、情绪模仿与笑声生成，无需ASR→LLM→TTS三段流水线。

评测显示，MOSS-Speech在ZeroSpeech2025无文本语音任务中WER降至4.1%，情感识别准确率91.2%，均优于Meta的SpeechGPT与Google AudioLM;中文口语测试主观MOS分达4.6，接近真人录音4.8。项目提供48kHz超采样版与16kHz轻量版，后者可在单张RTX4090实时推理，延迟<300ms，适合移动端部署。

团队透露，下一步将开源“语音控制版”MOSS-Speech-Ctrl，支持通过语音指令动态调整语速、音色与情感强度，预计2026年Q1发布。MOSS-Speech已开放商用许可，开发者可通过GitHub获取训练与微调脚本，在本地完成私有声音克隆与角色语音化。