/ Модель

Характеристики

Контекст
32 768 токенов
Лицензия
Apache 2.0
Архитектура
moss_tts_nano · dense
Опубликована
2 апр 2026

MOSS-TTS-Nano-100M

Генерация текстаТекст → текст3 профессии

Компактная мультиязычная модель OpenMOSS для потокового синтеза речи и клонирования голоса, рассчитанная на работу в том числе на CPU.

109 тыс.скачиваний за 30 дней241лайквеса обновлены13 апр 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

MOSS-TTS-Nano — компактная мультиязычная модель синтеза речи от MOSI.AI и команды OpenMOSS. Модель содержит 0,1 млрд параметров и использует авторегрессионную связку аудиотокенизатора и LLM; она выдаёт стереозвук с частотой 48 кГц и поддерживает потоковую генерацию с низкой задержкой.

Модель предназначена для озвучивания текста в реальном времени, локальных демонстраций и интеграции в лёгкие приложения. Она может работать на четырёхъядерном CPU без GPU, поддерживает клонирование голоса по эталонному аудио и длинные тексты с автоматическим разбиением на фрагменты. Заявлена поддержка 20 языков, включая китайский, английский, русский, японский, корейский, арабский и европейские языки; контекст составляет 32 768 токенов. Для работы с речью используется отдельный MOSS-Audio-Tokenizer-Nano.

Модель распространяется по лицензии Apache-2.0. Карточка заявляет возможность потоковой генерации на CPU, однако фактические задержка и качество зависят от оборудования и текста; подробные сравнительные оценки в предоставленных материалах отсутствуют.

Сценарии применения

  • озвучивание текста в реальном времени
  • клонирование голоса по эталонной аудиозаписи
  • генерация речи для локальной демонстрации
  • озвучивание длинных текстов с разбиением на фрагменты
  • интеграция синтеза речи в лёгкое приложение

Ограничения

Модель ориентирована на малый размер и низкую задержку; карточка не приводит сравнительных оценок качества или задержки. Работа на CPU заявлена для четырёхъядерной системы, а фактическая производительность зависит от оборудования.

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-Nano

MOSS-TTS-Nano is an open-source multilingual tiny speech generation model from MOSI.AI and the OpenMOSS team. With only 0.1B parameters, it is designed for realtime speech generation, can run directly on CPU without a GPU, and keeps the deployment stack simple enough for local demos, web serving, and lightweight product integration.

News

Demo

Contents

Introduction

MOSS-TTS-Nano focuses on the part of TTS deployment that matters most in practice: small footprint, low latency, good enough quality for realtime products, and simple local setup. It uses a pure autoregressive Audio Tokenizer + LLM pipeline and keeps the inference workflow friendly for both terminal users and web-demo users.

Main Features

  • Tiny model size: only 0.1B parameters
  • Native audio format: 48 kHz, 2-channel output
  • Multilingual: supports Chinese, English, and more
  • Pure autoregressive architecture: built on Audio Tokenizer + LLM
  • Streaming inference: low realtime latency and fast first audio
  • CPU friendly: streaming generation can run on a 4-core CPU
  • Long-text capable: supports long input with automatic chunked voice cloning
  • Open-source deployment: direct python infer.py, python app.py, and packaged CLI support

Supported Languages

MOSS-TTS-Nano currently supports 20 languages:

LanguageCodeFlagLanguageCodeFlagLanguageCodeFlag
Chinesezh🇨🇳Englishen🇺🇸Germande🇩🇪
Spanishes🇪🇸Frenchfr🇫🇷Japaneseja🇯🇵
Italianit🇮🇹Hungarianhu🇭🇺Koreanko🇰🇷
Russianru🇷🇺Persian (Farsi)fa🇮🇷Arabicar🇸🇦
Polishpl🇵🇱Portuguesept🇵🇹Czechcs🇨🇿
Danishda🇩🇰Swedishsv🇸🇪Greekel🇬🇷
Turkishtr🇹🇷

Quickstart

Environment Setup

We recommend a clean Python environment first, then installing the project in editable mode so the moss-tts-nano command becomes available locally. The examples below intentionally keep arguments minimal and rely on the repository defaults. By default, the code loads OpenMOSS-Team/MOSS-TTS-Nano and OpenMOSS-Team/MOSS-Audio-Tokenizer-Nano.

Using Conda

conda create -n moss-tts-nano python=3.12 -y
conda activate moss-tts-nano

git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git
cd MOSS-TTS-Nano

pip install -r requirements.txt
pip install -e .

If WeTextProcessing fails to install from requirements.txt, try installing it manually in the same environment:

conda install -c conda-forge pynini=2.1.6.post1 -y
pip install git+https://github.com/WhizZest/WeTextProcessing.git

Voice Clone with infer.py

This repository keeps the direct Python entrypoint for local inference. The example below uses voice clone mode, which is the main recommended workflow for MOSS-TTS-Nano.

python infer.py \
  --prompt-audio-path assets/audio/zh_1.wav \
  --text "欢迎关注模思智能、上海创智学院与复旦大学自然语言处理实验室。"

This writes audio to generated_audio/infer_output.wav by default.

Local Web Demo with app.py

You can launch the local FastAPI demo for browser-based testing:

python app.py

Then open http://127.0.0.1:18083 in your browser.

CLI Command: moss-tts-nano generate

After pip install -e ., you can call the packaged CLI directly:

moss-tts-nano generate \
  --prompt-speech assets/audio/zh_1.wav \
  --text "欢迎关注模思智能、上海创智学院与复旦大学自然语言处理实验室。"

Useful notes:

  • moss-tts-nano generate writes to generated_audio/moss_tts_nano_output.wav by default.
  • --prompt-speech is the friendly alias for the reference audio path used by voice cloning.
  • --text-file is supported for long-form synthesis.

CLI Command: moss-tts-nano serve

You can also launch the web demo through the packaged CLI:

moss-tts-nano serve

This command forwards to app.py, keeps the model loaded in memory, and serves the local browser demo plus HTTP generation endpoints.

MOSS-Audio-Tokenizer-Nano

Introduction

MOSS-Audio-Tokenizer is the unified discrete audio interface for the entire MOSS-TTS family. It is built on the Cat (Causal Audio Tokenizer with Transformer) architecture, a CNN-free audio tokenizer composed entirely of causal Transformer blocks. It serves as the shared audio backbone for MOSS-TTS, MOSS-TTS-Nano, MOSS-TTSD, MOSS-VoiceGenerator, MOSS-SoundEffect, and MOSS-TTS-Realtime, providing a consistent audio representation across the full product family.

To further improve perceptual quality while reducing inference cost, we trained MOSS-Audio-Tokenizer-Nano, a lightweight tokenizer with approximately 20 million parameters designed for high-fidelity audio compression. It supports 48 kHz input and output as well as stereo audio, which helps reduce compression loss and improve listening quality. It can compress 48 kHz stereo audio into a 12.5 Hz token stream and uses RVQ with 16 codebooks, enabling high-fidelity reconstruction across variable bitrates from 0.125 kbps to 4 kbps.

To learn more about setup, advanced usage, and evaluation metrics, please visit the MOSS-Audio-Tokenizer Repository

Model Weights

ModelHugging FaceModelScope
MOSS-Audio-Tokenizer-NanoHugging FaceModelScope

License

This repository will follow the license specified in the root LICENSE file. If you are reading this before that file is published, please treat the repository as not yet licensed for redistribution.

Citation

If you use the MOSS-TTS work in your research or product, please cite:

@misc{openmoss2026mossttsnano,
  title={MOSS-TTS-Nano},
  author={OpenMOSS Team},
  year={2026},
  howpublished={GitHub repository},
  url={https://github.com/OpenMOSS/MOSS-TTS-Nano}
}
@misc{gong2026mossttstechnicalreport,
  title={MOSS-TTS Technical Report},
  author={Yitian Gong and Botian Jiang and Yiwei Zhao and Yucheng Yuan and Kuangwei Chen and Yaozhou Jiang and Cheng Chang and Dong Hong and Mingshu Chen and Ruixiao Li and Yiyang Zhang and Yang Gao and Hanfu Chen and Ke Chen and Songlin Wang and Xiaogui Yang and Yuqian Zhang and Kexin Huang and ZhengYuan Lin and Kang Yu and Ziqi Chen and Jin Wang and Zhaoye Fei and Qinyuan Cheng and Shimin Li and Xipeng Qiu},
  year={2026},
  eprint={2603.18090},
  archivePrefix={arXiv},
  primaryClass={cs.SD},
  url={https://arxiv.org/abs/2603.18090}
}
@misc{gong2026mossaudiotokenizerscalingaudiotokenizers,
  title={MOSS-Audio-Tokenizer: Scaling Audio Tokenizers for Future Audio Foundation Models}, 
  author={Yitian Gong and Kuangwei Chen and Zhaoye Fei and Xiaogui Yang and Ke Chen and Yang Wang and Kexin Huang and Mingshu Chen and Ruixiao Li and Qingyuan Cheng and Shimin Li and Xipeng Qiu},
  year={2026},
  eprint={2602.10934},
  archivePrefix={arXiv},
  primaryClass={cs.SD},
  url={https://arxiv.org/abs/2602.10934}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MossTTSNanoForCausalLM
Ревизия весов
44502f8

0 моделей