OpenMOSS/MOSS-Audio

GitHub: OpenMOSS/MOSS-Audio

MOSS-Audio 是一个开源的统一音频理解基础模型，支持语音、声音、音乐的识别、问答与推理，解决真实场景下多维度音频理解问题。

Stars: 572 | Forks: 40

# MOSS-Audio

English | 简体中文

MOSS-Audio 是由 [MOSI.AI](https://mosi.cn/#hero)、[OpenMOSS 团队](https://www.open-moss.com/) 和 [上海创智学院](https://www.sii.edu.cn/) 联合开源的 **音频理解模型**。该模型针对复杂的真实世界音频进行了统一建模，支持 **语音理解、环境声音理解、音乐理解、音频字幕生成、时间感知问答和复杂推理**。在本次发布中，我们提供了 **四个模型**：**MOSS-Audio-4B-Instruct**、**MOSS-Audio-4B-Thinking**、**MOSS-Audio-8B-Instruct** 和 **MOSS-Audio-8B-Thinking**。Instruct 版本针对直接指令遵循进行了优化，而 Thinking 版本则提供了更强大的思维链（chain-of-thought）推理能力。 ## 新闻 * 2026.6.1：我们在 arXiv 上发布了 [MOSS-Audio 技术报告](https://arxiv.org/pdf/2606.01802)。 * 2026.4.20：我们添加了 MOSS-Audio 的微调代码和文档。有关 LoRA 和全参数训练的示例，请参阅 `finetune/FINETUNE.md`。 * 2026.4.13：🎉🎉🎉 我们发布了 [MOSS-Audio](https://huggingface.co/collections/OpenMOSS-Team/moss-audio)。博客文章即将推出！ ## 目录 - [简介](#introduction) - [模型架构](#model-architecture) - [DeepStack 跨层特征注入](#deepstack-cross-layer-feature-injection) - [时间感知表示](#time-aware-representation) - [已发布模型](#released-models) - [评测](#evaluation) - [快速开始](#quickstart) - [环境配置](#environment-setup) - [基本用法](#basic-usage) - [微调](#fine-tuning) - [Gradio 应用](#gradio-app) - [SGLang 服务](#sglang-serving) - [更多信息](#more-information) - [引用](#citation) ## 简介

理解音频不仅仅是简单的转录文字——它还需要感知声学线索、识别说话人和情绪、解读环境声音、基于时间上下文进行推理，以及处理复杂的多步推断。**MOSS-Audio** 的构建旨在将所有这些能力统一到单一模型中。 - **语音与内容理解**：准确识别并转录音频输入中的口语内容，生成干净且结构良好的文本输出。支持词级和句级时间戳对齐。 - **说话人、情绪与事件分析**：识别说话人特征，基于语调、音色和上下文分析情绪状态，并检测音频中的关键声学事件。 - **场景与声音线索提取**：从背景声音、环境噪音、音乐和非语音信号中提取有意义的线索，以推断场景上下文和氛围。 - **音乐理解**：分析音乐片段中的音乐风格、情绪递进、乐器编排及显著的声学特征。 - **音频问答与摘要**：针对演讲、播客、会议、访谈和环境录音回答问题并生成摘要，帮助用户高效提取关键信息。 - **时间感知问答**：支持时间感知相关问题，包括词级和句级时间戳 ASR。 - **复杂推理**：借助思维链（chain-of-thought）训练和强化学习，对音频内容执行多跳推理。 ## 模型架构

MOSS-Audio 采用了模块化设计，包含三个组件：音频编码器、模态适配器（adapter）和大型语言模型（LLM）。原始音频首先由 **MOSS-Audio-Encoder** 以 **12.5 Hz** 的频率编码为连续的时间表示，然后通过适配器投射到语言模型的嵌入空间，最后由 LLM 进行自回归文本生成。我们没有依赖现成的音频前端，而是从头训练了一个专门的编码器，以获得更鲁棒的语音表示、更紧密的时间对齐，以及在各种声学领域上更好的可扩展性。 ### DeepStack 跨层特征注入仅使用编码器的顶层特征往往会丢失底层的韵律、瞬态事件和局部的时频结构。为了解决这个问题，我们在编码器和语言模型之间设计了一个受 **DeepStack** 启发的跨层注入模块：除了编码器最后一层的输出外，我们还会选择来自早期和中间层的特征，对其进行独立投射，并将其注入到语言模型的早期层中，从而保留从底层声学细节到高层语义抽象的多粒度信息。这种设计非常适合音频理解任务，因为它有助于保留节奏、音色、瞬态和背景结构——这些信息是单一的高层表示无法完全捕捉的。 ### 时间感知表示时间是音频理解中的一个关键维度。为了增强显式的时间感知能力，我们在预训练期间采用了 **时间标记插入（time-marker insertion）** 策略：在固定的时间间隔下，于音频帧表示之间插入显式的时间 token，以指示时间位置。这种设计使模型能够在统一的文本生成框架中学习“何时发生了什么”，从而自然而然地支持时间戳 ASR、事件定位、基于时间的问答以及长音频回顾。 ## 已发布模型 | 模型 | 音频编码器 | LLM 主干网络 | 总参数量 | Hugging Face | ModelScope | |---|---|---|---:|---|---| | **MOSS-Audio-4B-Instruct** | MOSS-Audio-Encoder | Qwen3-4B | ~4.6B | [![Hugging Face](https://img.shields.io/badge/Huggingface-Model-orange?logo=huggingface)](https://huggingface.co/OpenMOSS-Team/MOSS-Audio-4B-Instruct) | [![ModelScope](https://img.shields.io/badge/ModelScope-Model-624AFF)](https://modelscope.cn/models/openmoss/MOSS-Audio-4B-Instruct) | | **MOSS-Audio-4B-Thinking** | MOSS-Audio-Encoder | Qwen3-4B | ~4.6B | [![Hugging Face](https://img.shields.io/badge/Huggingface-Model-orange?logo=huggingface)](https://huggingface.co/OpenMOSS-Team/MOSS-Audio-4B-Thinking) | [![ModelScope](https://img.shields.io/badge/ModelScope-Model-624AFF)](https://modelscope.cn/models/openmoss/MOSS-Audio-4B-Thinking) | | **MOSS-Audio-8B-Instruct** | MOSS-Audio-Encoder | Qwen3-8B | ~8.6B | [![Hugging Face](https://img.shields.io/badge/Huggingface-Model-orange?logo=huggingface)](https://huggingface.co/OpenMOSS-Team/MOSS-Audio-8B-Instruct) | [![ModelScope](https://img.shields.io/badge/ModelScope-Model-624AFF)](https://modelscope.cn/models/openmoss/MOSS-Audio-8B-Instruct) | | **MOSS-Audio-8B-Thinking** | MOSS-Audio-Encoder | Qwen3-8B | ~8.6B | [![Hugging Face](https://img.shields.io/badge/Huggingface-Model-orange?logo=huggingface)](https://huggingface.co/OpenMOSS-Team/MOSS-Audio-8B-Thinking) | [![ModelScope](https://img.shields.io/badge/ModelScope-Model-624AFF)](https://modelscope.cn/models/openmoss/MOSS-Audio-8B-Thinking) | ## 评测我们在全面的音频理解基准测试集上对 MOSS-Audio 进行了评估。关键结果如下： - **通用音频理解**：MOSS-Audio-8B-Thinking 的平均准确率达到 **71.08**，其中 MMAU 为 **77.33**，MMAU-Pro 为 **64.92**，MMAR 为 **66.53**，MMSU 为 **75.52**，超越了所有开源模型。 - **语音字幕生成**：在 13 个细粒度语音描述维度中，MOSS-Audio-Instruct 系列在 **11 个** 维度上领先，其中 **MOSS-Audio-8B-Instruct** 获得了最佳的总平均分（**3.7252**）。 - **ASR**：在涵盖 12 个评测维度的多样化 ASR 基准测试套件中，MOSS-Audio 取得了 **最低的总体 CER (11.30)**，在健康状况、语码转换、方言、歌唱和非语音场景中表现尤为出色。 - **时间戳 ASR**：MOSS-Audio-8B-Instruct 在 AISHELL-1 上取得了 **35.77 AAS** 的成绩，在 LibriSpeech 上取得了 **131.61 AAS** 的成绩，大幅超越了 Qwen3-Omni (833.66) 和 Gemini-3.1-Pro (708.24) 的时间戳 ASR 准确度。 ### 通用音频理解 (准确率↑)

模型	模型大小	MMAU	MMAU-Pro	MMAR	MMSU	平均
开源 (小)
Kimi-Audio	7B	72.41	56.58	60.82	54.74	61.14
Qwen2.5-Omni	7B	65.60	52.20	56.70	61.32	58.96
Audio Flamingo 3	7B	61.23	51.70	57.96	60.04	57.73
Audio Flamingo Next	8B	76.10	56.34	51.01	57.20	60.16
MiMo-Audio-7B	7B	74.90	53.35	61.70	61.94	62.97
MiniCPM-o-4.5	9B	70.97	39.65	55.75	60.96	56.83
MOSS-Audio-4B-Instruct	4B	75.79	58.16	62.54	59.68	64.04
MOSS-Audio-4B-Thinking	4B	77.64	60.75	63.91	71.20	68.37
MOSS-Audio-8B-Instruct	8B	77.03	57.48	64.42	66.36	66.32
MOSS-Audio-8B-Thinking	8B	77.33	64.92	66.53	75.52	71.08
开源 (大)
Qwen3-Omni-30B-A3B-Instruct	30B	75.00	61.22	66.40	69.00	67.91
Step-Audio-R1.1	33B	72.18	60.80	68.75	64.18	66.48
Step-Audio-R1	33B	7867	59.68	69.15	75.18	70.67
闭源
GPT4o-Audio	-	65.66	52.30	59.78	58.76	59.13
Gemini-3-Pro	-	80.15	68.28	81.73	81.28	77.86
Gemini-3.1-Pro	-	81.10	73.47	83.70	81.30	79.89

### 语音字幕生成 (LLM-as-a-Judge 得分↑)

语音字幕生成 (点击展开)

| 模型 | 性别 | 年龄 | 口音 | 音高 | 音量 | 语速 | 质感 | 清晰度 | 流畅度 | 情绪 | 语调 | 个性 | 摘要 | 平均 | |---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| | Audio-Flamingo-Next | 4.617 | 3.461 | 3.160 | 2.679 | 2.391 | 2.818 | 1.941 | 2.839 | 2.788 | 2.056 | 2.025 | 1.940 | 2.157 | 2.6825 | | Qwen3-Omni-30B-A3B-Instruct | 4.436 | 3.936 | 4.356 | 3.590 | 3.682 | 3.614 | 3.093 | 3.521 | 3.531 | **3.328** | 3.224 | 3.292 | 3.179 | 3.5986 | | Qwen3-Omni-30B-A3B-Thinking | 4.419 | 4.026 | 4.327 | 3.610 | 3.577 | 3.610 | 3.179 | 3.403 | 3.526 | 3.232 | 3.154 | 3.197 | 3.107 | 3.5667 | | Gemini-3-Pro | 4.191 | 3.835 | 4.181 | 3.392 | 3.254 | 3.320 | 2.998 | 3.347 | 3.524 | 3.055 | 2.997 | 3.023 | 2.775 | 3.3763 | | Gemini-3.1-Pro | 4.347 | **4.030** | 4.310 | 3.474 | 3.580 | **3.687** | 3.134 | 3.559 | 3.720 | 3.231 | 3.245 | 3.158 | 3.028 | 3.5772 | | MOSS-Audio-4B-Instruct | **4.697** | 3.980 | 4.497 | 3.628 | **3.722** | 3.564 | **3.407** | 3.841 | 3.744 | 3.311 | **3.282** | **3.305** | 3.259 | 3.7105 | | MOSS-Audio-8B-Instruct | 4.683 | 3.979 | **4.572** | **3.682** | 3.709 | 3.638 | 3.403 | **3.869** | **3.747** | 3.314 | 3.253 | 3.272 | **3.307** | **3.7252** |

### ASR | 模型 | 总体 | 健康状况 | 方言 | 歌唱 | 非语音发声 | 语码转换 | 声学环境 (纯净) | 声学环境 (嘈杂) | 声学特征: 耳语 | 声学特征: 远场 / 近场 | 多说话人 | 年龄 | 语义内容 | |---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| | Paraformer-Large | 15.77 | 22.18 | 43.45 | 32.34 | 4.95 | 12.65 | 3.11 | 4.67 | 5.02 | 17.46 | 20.33 | 14.96 | 7.14 | | GLM-ASR-Nano | 17.29 | 24.49 | 22.39 | 51.95 | 4.65 | 11.88 | 3.68 | 5.02 | 4.94 | 27.51 | 28.02 | 17.19 | 7.32 | | Fun-ASR-Nano | 12.04 | 21.99 | **7.80** | 19.35 | 4.76 | 11.23 | 2.98 | 3.46 | 3.78 | 18.38 | 19.82 | 14.95 | 6.08 | | SenseVoice-Small | 14.50 | 24.04 | 8.89 | 23.79 | 4.92 | 13.90 | 4.13 | 4.93 | 5.57 | 26.66 | 24.06 | 17.63 | 7.55 | | Kimi-Audio-7B-Instruct | 14.12 | 21.11 | 29.34 | 21.76 | 4.68 | 16.38 | **2.20** | **2.15** | 2.66 | 21.02 | 20.61 | 16.74 | 6.12 | | Audio-Flamingo-Next | 30.19 | 36.13 | 25.85 | 25.80 | 8.25 | 34.53 | 8.64 | 38.85 | 12.84 | 42.90 | 62.13 | 38.30 | 30.18 | | Qwen2.5-Omni-3B | 15.26 | 24.65 | 33.87 | 24.24 | 5.54 | 11.66 | 2.76 | 3.56 | 4.32 | 22.15 | 22.91 | 15.17 | 7.24 | | Qwen2.5-Omni-7B | 15.05 | 23.85 | 31.91 | 22.69 | 4.56 | 12.97 | 2.52 | 3.16 | 3.64 | 25.38 | 21.01 | 16.13 | 6.78 | | Qwen3-Omni-30B-A3B-Instruct | 11.39 | 20.73 | 15.63 | 16.01 | 4.73 | 11.30 | 2.23 | 2.47 | **1.90** | **17.08** | **18.15** | **11.46** | **5.74** | | **MOSS-Audio-4B-Instruct** | 11.58 | 21.11 | 11.84 | 10.79 | **4.01** | **10.11** | 3.11 | 3.72 | 3.29 | 18.48 | 20.33 | 15.09 | 8.15 | | **MOSS-Audio-8B-Instruct** | **11.30** | **19.18** | 8.76 | **9.81** | 4.31 | 10.18 | 2.70 | 3.20 | 2.75 | 24.04 | 24.36 | 15.26 | 7.69 |

详细 ASR 结果 (点击展开)

模型	声学环境 (纯净)			声学环境 (嘈杂)	声学特征: 耳语	声学特征: 远场 / 近场	多说话人	年龄		健康状况		语义内容		语码转换			方言		歌唱		非语音发声
模型	AISHELL-1 test	AISHELL-2 Android \| IOS \| Mic	THCHS-30 test	MAGICDATA-READ test	AISHELL6-Whisper normal \| whisper	AliMeeting Test_Ali_far \| Test_Ali_near	AISHELL-4 test	SeniorTalk sentence	ChildMandarin test	AISHELL-6A mild \| moderate \| severe \| StutteringSpeech	AISHELL_6B LRDWWS \| Uncontrol	WenetSpeech test-meeting	Fleurs cmn_hans_cn	CS-Dialogue test	TALCS test	ASCEND test	KeSpeech test	WSYue-ASR-eval short	MIR-1K test	openc-pop test	MNV_17
Paraformer-Large	1.98	3.28 \| 3.21 \| 3.00	4.07	4.67	1.11 \| 8.92	25.64 \| 9.27	20.33	17.31	12.60	6.98 \| 9.30 \| 13.34 \| 10.74	47.59 \| 45.08	7.88	6.40	10.64	10.77	16.55	11.48	75.42	57.70	6.98	4.95
GLM-ASR-Nano	2.89	3.75 \| 3.73 \| 3.78	5.02	0.83 \| 9.06	40.27 \| 14.76	28.02	20.33	14.06	8.74 \| 12.11 \| 14.38 \| 12.29	50.34 \| 49.09	9.70	4.94	11.06	11.07	13.50	9.72	35.07	95.87	8.03	4.65
Fun-ASR-Nano	2.16	3.04 \| 2.99 \| 3.07	3.65	3.46	0.81 \| 6.76	27.21 \| 9.55	19.82	16.96	12.94	6.60 \| 8.81 \| 12.98 \| 10.30	47.42 \| 45.84	7.39	4.76	10.47	8.09	15.13	7.43	8.17	35.85	2.84	4.76
SenseVoice-Small	3.23	4.16 \| 4.02 \| 3.96	5.26	4.93	1.25 \| 9.88	37.01 \| 16.31	24.06	21.07	14.18	7.62 \| 9.85 \| 14.39 \| 11.47	52.92 \| 47.97	8.35	6.75	12.81	10.52	18.38	10.45	7.34	39.51	8.07	4.92
Kimi-Audio-7B-Instruct	0.79	2.91 \| 3.03 \| 2.88	1.39	2.15	0.69 \| 4.63	28.22 \| 13.82	20.61	19.70	13.79	7.00 \| 9.34 \| 12.56 \| 10.75	44.44 \| 42.57	7.15	5.10	14.56	12.74	21.83	5.51	53.17	38.35	5.17	4.68
Audio Flamingo Next	6.85	7.22 \| 8.12 \| 8.62	12.41	6.24	6.48 \| 19.20	60.68 \| 25.12	62.13	39.44	23.06	24.13 \| 29.40 \| 35.69 \| 21.90	56.17 \| 49.52	54.46	12.86	30.52	40.42	32.63	16.97	34.74	40.06	11.54	8.25
Qwen2.5-Omni-3B	1.51	3.10 \| 2.94 \| 2.93	3.32	3.56	0.82 \| 7.82	32.14 \| 12.16	22.91	17.38	12.96	6.87 \| 10.55 \| 14.57 \| 11.33	54.54 \| 50.03	9.04	5.45	10.78	10.94	13.25	7.67	60.06	45.00	3.47	5.54
Qwen2.5-Omni-7B	1.16	2.88 \| 2.77 \| 2.73	3.06	3.16	0.71 \| 6.57	32.03 \| 18.73	21.01	19.96	12.29	7.27 \| 10.94 \| 12.92 \| 10.53	51.99 \| 49.45	8.43	5.13	14.02	10.46	14.42	6.40	57.43	42.62	2.75	4.56
Qwen3-Omni-30B-A3B-Instruct	0.95	2.70 \| 2.72 \| 2.57	2.21	2.47	0.59 \| 3.22	25.72 \| 8.44	18.15	14.13	8.79	6.20 \| 8.88 \| 11.59 \| 10.25	45.80 \| 41.65	6.64	4.84	12.94	8.33	12.64	5.87	25.39	30.81	1.21	4.73
MOSS-Audio-4B-Instruct	2.26	3.22 \| 3.20 \| 3.33	3.53	3.72	0.73 \| 5.86	27.27 \| 9.68	20.33	16.93	13.25	6.36 \| 9.77 \| 12.68 \| 10.28	43.35 \| 44.25	8.17	8.13	9.14	8.37	12.83	14.65	9.04	18.47	3.10	4.01
MOSS-Audio-8B-Instruct	1.82	2.97 \| 2.95 \| 2.91	2.82	3.20	0.69 \| 4.80	36.82 \| 11.25	24.36	17.42	13.10	5.84 \| 8.94 \| 11.52 \| 9.72	39.76 \| 39.27	7.86	7.52	9.07	8.22	13.26	9.18	8.33	17.24	2.39	4.31

### 时间戳 ASR (AAS↓) | 模型 | AISHELL-1(zh) | LibriSpeech(en) | |---|---:|---:| | Audio-Flamingo-Next | -- | 211.15 | | Qwen3-Omni-30B-A3B-Instruct | 833.66 | 646.95 | | Gemini-3.1-Pro| 708.24 | 871.19 | | MOSS-Audio-4B-Instruct | 76.96 | 358.13 | | **MOSS-Audio-8B-Instruct** | **35.77** | **131.61** | ## 快速开始 ### 环境配置我们推荐使用 Python 3.12 和干净的 Conda 环境。以下命令足以进行本地推理。 #### 推荐设置 ``` git clone https://github.com/OpenMOSS/MOSS-Audio.git cd MOSS-Audio conda create -n moss-audio python=3.12 -y conda activate moss-audio conda install -c conda-forge "ffmpeg=7" -y pip install --extra-index-url https://download.pytorch.org/whl/cu128 -e ".[torch-runtime]" ``` #### 可选：FlashAttention 2 如果你的 GPU 支持 FlashAttention 2，你可以将最后一条安装命令替换为： ``` pip install --extra-index-url https://download.pytorch.org/whl/cu128 -e ".[torch-runtime,flash-attn]" ``` ### 基本用法首先下载模型： ``` hf download OpenMOSS-Team/MOSS-Audio-4B-Instruct --local-dir ./weights/MOSS-Audio-4B-Instruct hf download OpenMOSS-Team/MOSS-Audio-4B-Thinking --local-dir ./weights/MOSS-Audio-4B-Thinking hf download OpenMOSS-Team/MOSS-Audio-8B-Instruct --local-dir ./weights/MOSS-Audio-8B-Instruct hf download OpenMOSS-Team/MOSS-Audio-8B-Thinking --local-dir ./weights/MOSS-Audio-8B-Thinking ``` 然后根据需要编辑 `infer.py` 中的 `MODEL_PATH` / `AUDIO_PATH`，并运行： ``` python infer.py ``` `infer.py` 中的默认提示词是 `Describe this audio.`。如果你想尝试转录、音频问答或语音字幕生成，可以直接编辑那一行。 ### 微调我们现在在 `etune/finetune.py` 中提供了官方的微调脚本，并在 `finetune/FINETUNE.md` 中提供了完整的说明。安装训练所需的额外依赖项： ``` pip install librosa peft ``` LoRA 微调的最小示例： ``` accelerate launch finetune/finetune.py \ --model_dir ./weights/MOSS-Audio-4B-Instruct \ --data_path train.jsonl \ --output_dir ./output/lora \ --use_lora \ --bf16 ``` 训练数据应为包含音频-文本对话的 JSONL 文件。有关数据格式、支持的参数、多 GPU 示例和全参数微调，请参阅 `finetune/FINETUNE.md`。 ### Gradio 应用使用以下命令启动 Gradio demo： ``` python app.py ``` ### SGLang 服务如果你想使用 SGLang 为 MOSS-Audio 提供服务，请参阅 `moss_audio_usage_guide.md` 中的完整指南。最简设置如下： ``` git clone -b moss-audio https://github.com/OpenMOSS/sglang.git cd sglang pip install -e "python[all]" pip install nvidia-cudnn-cu12==9.16.0.29 cd .. sglang serve --model-path ./weights/MOSS-Audio --trust-remote-code ``` 如果你使用默认的 `torch==2.9.1+cu128` 运行时，建议在启动 `sglang serve` 之前安装 `nvidia-cudnn-cu12==9.16.0.29`。 ## 更多信息 - **MOSI.AI**: [https://mosi.cn](https://mosi.cn) - **OpenMOSS**: [https://www.open-moss.com](https://www.open-moss.com) ## LICENSE MOSS-Audio 中的模型均在 Apache License 2.0 许可下发布。 ## 引用 ``` @misc{yang2026mossaudiotechnicalreport, title={MOSS-Audio Technical Report}, author={Chen Yang and Chufan Yu and Hanfu Chen and Jie Zhu and Jingqi Chen and Ke Chen and Wenxuan Wang and Yang Wang and Yaozhou Jiang and Yi Jiang and Zhengyuan Lin and Ziqi Chen and Zhaoye Fei and Chenghao Liu and Jun Zhan and Kang Yu and Kexin Huang and Mingshu Chen and Qinyuan Cheng and Ruixiao Li and Shimin Li and Songlin Wang and Yang Gao and Yiyang Zhang and Xipeng Qiu}, year={2026}, eprint={2606.01802}, archivePrefix={arXiv}, primaryClass={cs.SD}, url={https://arxiv.org/abs/2606.01802}, } ``` ## Star History [![Star History Chart](https://api.star-history.com/svg?repos=OpenMOSS/MOSS-Audio&type=date&legend=top-left)](https://www.star-history.com/#OpenMOSS/MOSS-Audio&type=date&legend=top-left)

标签：DLL 劫持, 人工智能, 凭据扫描, 多模态模型, 大语言模型, 开源模型, 用户模式Hook绕过, 语音识别, 逆向工具, 音频处理