/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
MOSS-TTS-Realtime
Опубликована
7 мая 2026

MOSS-TTS-Realtime-GGUF

Синтез речиТекст → аудио3 профессии

BricksDisplay/MOSS-TTS-Realtime-GGUF — GGUF-конверсия модели MOSS-TTS-Realtime, разработанной OpenMOSS-Team.

1 597скачиваний за 30 дней3лайкавеса обновлены7 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это потоковая модель синтеза речи от текста, предназначенная для генерации аудио в реальном времени с использованием связки backbone, codec_lm и аудиокодека. Модель поддерживает английский и китайский языки и может запускаться через llama.cpp и codec.cpp.

Архитектура включает языковую основу Qwen3-2B с 28 слоями, скрытым размером 2048 и словарём из 151 936 токенов, а также 4-слойный декодер MossTTSRealtimeLocalTransformer. Выход состоит из 17 каналов: один канал генерирует текстовые токены, остальные 16 представляют RVQ-аудиокодбуки по 1027 элементов каждый. Аудиочасть основана на MOSS-Audio-Tokenizer размером 1,6 млрд параметров и декодирует 24-кГц монофонический PCM-аудиосигнал. Доступны варианты backbone и codec с разными уровнями квантования GGUF.

Сильными сторонами модели являются сквозная архитектура синтеза речи, потоковый авторегрессионный режим и совместимость со стандартными инструментами llama.cpp и codec.cpp. Для работы требуется раздельная языковая и аудиокодековая части, а качество и потребление ресурсов зависят от выбранного варианта квантования; конкретные показатели производительности и поддерживаемый размер контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MOSS-TTS-Realtime GGUF

End-to-end GGUF conversion of OpenMOSS-Team/MOSS-TTS-Realtime, runnable as a backbone + codec_lm + codec stack via stock llama.cpp and codec.cpp.

The model is a Qwen3-2B language backbone + 4-layer MossTTSRealtimeLocalTransformer depth decoder + 17-channel emission (cb-0 = a text token sampled from the Qwen3 backbone's lm_head; cb-1..16 = 16 RVQ audio codebooks of 1027 entries each). codec.cpp's residual_depth_ar codec_lm runtime handles the depth decoder + audio embed tables + per-AR-step state machine; the backbone runs in llama.cpp as a stock qwen3 arch.

This replaces the earlier codec-only release: the LLM-part is now wired through codec.cpp's codec_lm infrastructure (see tts_remaining_plan.md in codec.cpp).

Files

Backbone (Qwen3 language_model, stock qwen3 arch — 28 layers, hidden 2048, vocab 151936)

moss-tts-realtime-<quant>.gguf — produced by codec.cpp's convert-backbone-to-gguf.py prep_moss_tts_realtime, which unwraps language_model.* into the standard Qwen3 layout. tie_word_embeddings=true is inferred from the absence of a standalone lm_head tensor.

FileSize
moss-tts-realtime-f32.gguf4.5 GB
moss-tts-realtime-f16.gguf3.3 GB
moss-tts-realtime-bf16.gguf3.3 GB
moss-tts-realtime-q8_0.gguf1.8 GB
moss-tts-realtime-q6_k.gguf1.4 GB
moss-tts-realtime-q5_1.gguf1.3 GB
moss-tts-realtime-q5_k_m.gguf1.2 GB
moss-tts-realtime-q5_k_s.gguf1.2 GB
moss-tts-realtime-q5_0.gguf1.2 GB
moss-tts-realtime-q4_1.gguf1.1 GB
moss-tts-realtime-q4_k_m.gguf1.1 GB
moss-tts-realtime-q4_k_s.gguf1009 MB
moss-tts-realtime-q4_0.gguf1004 MB
moss-tts-realtime-q3_k_l.gguf955 MB
moss-tts-realtime-q3_k_m.gguf894 MB
moss-tts-realtime-q3_k_s.gguf825 MB
moss-tts-realtime-q2_k.gguf740 MB

Codec + codec_lm (MOSS-Audio-Tokenizer 16 RVQ × 1027 codebooks + residual_depth_ar adaptor)

codec[-<quant>].gguf — full MOSS-Audio-Tokenizer (1.6B, 24 kHz mono) bundled with the codec_lm adaptor: audio embed tables for the 16 RVQ heads, the 17th text_embd (~308 MB at F16), 4-layer depth decoder, and 16 codebooks_head slices. Produced by codec.cpp's convert-to-gguf.py --model-type moss_audio --lm-source OpenMOSS-Team/MOSS-TTS-Realtime.

FileSize
codec-f32.gguf6.1 GB
codec-f16.gguf3.9 GB
codec-q8_0.gguf2.4 GB
codec-q5_k_m.gguf1.8 GB
codec-q4_k_m.gguf1.6 GB

Inference shape (text-modality codec_lm AR)

backbone (Qwen3, embeddings=true) hidden state h
    → caller samples text token via llama_get_logits_ith → text_tok
    → codec_lm_state_set_text_context(state, text_tok)
    → codec_lm_step_begin(state, h)
    → for cb in 0..16: codec_lm_step_logits → sample → codec_lm_step_push_code
    → codec_lm_step_finish → codes[17]
    → codec_lm_compose_audio_embd(codes) → next-step embedding
    → feed to backbone via b.embd; loop until codes[0] == EOS_text

After generation, slice cb-0 out of the (T × 17) code matrix (it's a text token, not a codec value) and feed cb-1..16 into codec_decode to get 24 kHz mono PCM.

Sources

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
7394ff5

0 моделей