原创软件:复旦的 MOSS-Image 生图 API限时免费,我给他做了个桌面版,开源免费!

先说 MOSS 是谁。10 月 16 日 OpenMOSS 开源的 MOSS-Image，5B 参数，Apache-2.0 可以商用，主打的不是"画得更好看"，而是把字放在你指定的位置——长提示词、中文渲染、JSON 精确布局。这东西开源四天，海外下载就过了百万（这个数来自媒体报道，我没法独立核实）。

但你想用上它，官方给的路径只有两条：要么装 ComfyUI 挂 5.4G 的 int8 权重，要么去网页 Playground 一个个模型点。前者能劝退一半人，后者一次只能玩一个。

所以我把整个 MOSS 家族做成了一个 Windows 桌面程序。

省流地址：https://gitee.com/yangfancms/moss-image-demo

📌 一、先说钱，哪些不要

我把官方计费页从头翻到尾，只看到三节：语音生成、音色设计、语音转写。

图像生成和图文理解，那页上找不到价格条目。

也就是说，现在用 moss-image 出图、用 moss-vl 读图，是不扣钱的。你自己去控制台看积分余额，出一晚上图它也不动。（以后收不收费以平台账单为准，我不能替它担保。）

剩下那些是要花钱的，但贵得不吓人：

• 语音合成 moss-tts-1.5-flash / 1.0-pro，¥2.00 / 万字符。一万字够念四十多分钟，合两块钱。
• 多人对白 moss-ttsd-1.0、音色设计 moss-voice-generator-1.0，同样是 ¥2.00 / 万字符。
• 语音转写，普通档 ¥0.80 / 小时，要分说话人的 diarize-pro 档 ¥2.00 / 小时。
• 音色克隆建一个 ¥30，活动期间 0 元。
• 实时对话、实时视觉按在线时长算，从会话建立那一刻开始计。

一句话总结：图不要钱，声音按字算，实时按秒算。 三块钱能玩一晚上语音。

钱花在声音上，图暂时是白给的。

📌 二、它到底是个什么东西

不是网页套壳。是一个真正的 Windows 窗口，左边一排导航，右边卡片，顶栏能切亮暗主题。

十一个页面，各管一件事：

🖼 图像——文生图，能选 base 还是 sft，能填负面词，能开关水印，还能玩布局编辑。

🗣 语音合成——flash 版可以流式播放，边合成边出声；pro 版排队跑。输入里写 [pause 0.8s] 就真停 0.8 秒。

🎚 音色设计——你不选音色，你描述音色。"温柔的年轻女声，带一点沙哑"，它照着造一个出来，然后直接合成。

🎤 音色克隆——传一段参考音频，拿到一个 voice_id。

📝 语音转写——分说话人的那个版本，结果会按人分行显示，不是一大坨。

🖼️ 图文理解——最多五张图或者一个视频，可以传本地文件，也可以贴 URL 直链。

🎙 实时对话——真开麦克风，16k 上行，48k 回播。挂断后双方对话自动存档。

再就是 🎭 多人对白、💰 计费、📚 历史记录、⚙️ 配置这四页。历史记录我做得比较实在：所有的图、所有的音频都自动落盘，能按类型筛、能搜关键字、五十条一页，单条能删。

全程序就一个 exe，36MB，onefile 打包。Python 不用装，依赖不用管，命令行一行都不用敲。

📌 三、下载完，先干这三件事

第一件：出第一张图

双击 exe 之后，先去 ⚙️ 配置页把 Key 粘进去。Key 在 https://platform.moss.cn/app/api-keys 创建，粘完点"保存并校验"。

这个校验是真调平台接口验的，三种结果：绿的能用、红的说明 Key 配了但无效（会附平台原话，比如 iam api key auth failed，通常是复制少了半个字符）、灰的是还没配。它只显示掩码，不会把你的 Key 明文回显在屏幕上。

然后进 🖼 图像页，提示词写好，尺寸选好，点生成。图直接出在窗口里，下面一行小字告诉你这次跑了多少秒，右边一键下载。

尺寸有两个硬规矩，撞上了直接报错：每条边 256 到 2048，且必须是 16 的倍数；总像素不超过 2,097,152。记不住就选预设。

第二件：让图片按你的版式摆

这是 MOSS-Image 最有辨识度的地方，也是我把布局编辑器做进界面的原因。

普通文生图，你只能说"标题放左上角"，它听不听看运气。MOSS 收的是一段 JSON——文字内容加坐标框，画什么、放哪里，是你指定的。

界面上的做法是：一行一个元素，写完在下面实时预览，坐标以画布左上角为原点，单位是像素。改尺寸时，坐标会自动重算，不用你手算缩放比例。改完再生成，出图基本就按你画的框走。

第三件：一句话造个音色

进 🎚 音色设计页，把描述写进去："深夜电台男声，语速偏慢，尾音略沉"。点生成，等它造完，直接合成一段给你听。

不用挑音色库，不用试听三十个。描述就是音色。

如果你的活是配音、口播、有声书，这一页能省掉你大半天挑音色的时间。

📌 四、六个页面真能干活

我不想给你罗列功能表，那玩意儿官网也有。挑重点：

图像和音色设计是这程序的两个门面，上面说过了。

语音合成值得单说一句流式。勾上之后是边合边播，不用等整段生成完。感觉不对随时掐掉，不用听完三十秒才发现音色选错了。播完的程序会自动把裸 PCM 补上 WAV 头存进历史，不是播完就没了。

实时对话是最费劲做的一页，也是我最没底的一页。麦克风 16k 推流、助手 48k 回播，中间那套 WebSocket 协议（声明 media.mode、回执 playback.chunk.completed）全得自己对。现在能用，但你打断它的时候，反应会慢半拍——这是已知局限，我没解决，写在这里免得你以为是网卡。

转写和图文理解属于顺手就做了的。转写的分人版本日常够用；图文理解最多五张图或者一个视频，本地文件和 URL 二选一，混选会被拒绝。

剩下的多人对白、克隆、计费、历史、配置五页，属于"用得上就打开，用不上永远不点"。

📌 五、几个坑，我先替你踩了

第一个，Windows 会拦你一次。 这 exe 没做代码签名（一年几千块的证书，个人项目暂时没上），所以第一次双击大概率弹"Windows 已保护你的电脑"。点"更多信息"，再点"仍要运行"。这一步我会在后面版本解决，现在只能这么过。

第二个，别人转给你的 exe，先看一眼有没有 .env。 Key 是存在 exe 同目录的 .env 里的。别人打包发给你的时候如果没删，你拿到的是他的 Key，花的是他的额度。反过来，你把程序发出去之前，一定要把 dist/.env 删掉——README 里我写的原话是"别漏"。

第三个，图生成了但链接打不开，403。 平台返回的是带签名的直链，有短时效，还有 Referer 防盗链。你把链接贴到浏览器里，多半是 403。在程序里看、在程序里下载就没事，它是自己直接拉的。链接过期了就重新生成一张。

第四个，实时对话按在线时长计费，用完必须点挂断。 它是从会话建立那一刻开始算的，你关窗口不算挂断。跑一下午忘了关，账单会提醒你。

第五个，TTS 流式播出来语速怪。 流式给的是裸 PCM，没有采样率头，程序按 24000 Hz 播。如果你的音色实际不是这个采样率，声音会听起来又快又尖——界面上有采样率选项，切一下就好。

📌 六、跟别的几条路比，它站在哪

同样的活，现在有四条路能走：

网页 Playground —— 不用装东西，但一个模型一个页面，出图、配音、转写你得开三个标签页来回倒，历史记录也不归你管。

ComfyUI 本地部署 —— 数据不出门，但你要先下 5.4G 的 int8 权重，要有一张像样的显卡，还得接受节点连线那套学习曲线。装完只是开始。

我这个客户端 —— 36MB，双击就跑，全部能力在一屏里，历史存在本地。代价是它调的是云 API，要联网，要 Key，图不在你机器上生成。

商业桌面端 —— 有现成的，但基本都绑自己家的模型，你想换 MOSS 的某个模型换不了。

四条路，比的不是谁更强，是谁先让你用上。

说白了，这东西解决的不是"能力"问题，是"门槛"问题。模型本身是开源的、免费的、跑分第一的，卡住人的一直是"我得先会装"。

📌 写在最后

适合你的情况：想试 MOSS-Image 但不想碰命令行；要做海报、知识图、带字的封面；经常要给视频配音、做口播；想拿它验证个产品想法，不想先搭环境。

不适合的：需要批量出几千张图的（该走 API 直接跑脚本）；对数据出境有硬要求的（本地部署才是答案）；只是偶尔生成一张玩玩（网页版够了）。

软件开源在 Gitee，源码、打包脚本、四十项断言的回归测试全在里面。装了 Python 的可以直接 python gui_app.py 跑源码；不想装的，去 dist 目录拿那个 36MB 的 exe。

• 开源仓库https://gitee.com/yangfancms/moss-image-demo

• 创建 API Keyhttps://platform.moss.cn/app/api-keys

• 官方计费页（价格以此为准）https://platform.moss.cn/app/pricing

• 官方模型广场https://platform.moss.cn/app/playground

核实声明：模型能力与价格核于 2026-10-31，取自 MOSS 开放平台计费页与项目 README；"四天下载破百万""10 月 16 日开源"来自媒体报道，非官方口径；图像与图文理解当前不计费，是我按官方计费页缺位判断的，最终以平台账单为准。