/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
6,1 ГБ
Лицензия
Apache 2.0
Архитектура
moss_tts_delay · dense
Базовая модель
MOSS-TTS-Local-Transformer
Библиотека
transformers
Опубликована
15 июл 2026

Roo-Voice_MOSS_TTS_LT_bf16

Синтез речиТекст → аудио3 профессии

Дообученная на записях Roo модель MOSS-TTS генерирует английскую речь его баритоном и акцентом при наличии reference.wav.

10скачиваний за 30 дней0лайковвеса обновлены15 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

Roo-Voice — это дообученная командой Roo модель синтеза речи на базе OpenMOSS-Team/MOSS-TTS-Local-Transformer. Полное supervised fine-tuning на записях одного диктора закрепляет баритон и эстуарный акцент Roo; для синтеза также требуется reference.wav, поставляемый вместе с моделью и задающий подачу. Это модель для генерации речи из текста, а не универсальный клонировщик голосов.

Чекпойнт использует архитектуру MossTTSLocal и представлен в формате PyTorch safetensors с точностью bfloat16; размер указан примерно как 5,8 ГБ. Речь генерируется монофонической с частотой 24 кГц. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

Модель предназначена для синтеза текста голосом Roo с характерным баритоном и акцентом. Ограничения: требуется reference.wav, поддерживается один голос, а для запуска в формате BF16 нужна совместимая NVIDIA GPU; для Apple Silicon автор предлагает отдельную сборку MLX.

Сценарии применения

  • озвучивание английского текста голосом Roo
  • создание реплик для аудиоконтента с баритоном Roo
  • синтез речи с эстуарным акцентом
  • генерация речи с заданной подачей через reference.wav

Ограничения

Модель рассчитана на один голос и требует reference.wav при генерации; для BF16-сборки автор указывает запуск на NVIDIA GPU. Возможности других языков не заявлены.

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

Roo Voice

Roo-Voice · MOSS-TTS-Local-Transformer · BF16 (PyTorch / CUDA)

Roo's voice — that signature baritone with the estuary accent that stands the hair up on the back of your neck — as a standard PyTorch checkpoint that runs on any NVIDIA GPU. Load it, and Roo can whisper to you all day long.

A BF16 (bfloat16) checkpoint of a full-model supervised fine-tune of MOSS-TTS-Local-Transformer, trained on Roo's own recordings and specialised on his single voice. This is the PC / NVIDIA-GPU form — for Apple Silicon use the MLX 8-bit build.

⚠️ What actually makes the voice — read first

This is a reference-conditioned model, and both halves matter:

  • The fine-tune is what makes it Roo. The base model has never heard this speaker — a base model plus any reference clip will not give you Roo's baritone or his estuary accent. That voice lives in the weights, put there by the supervised fine-tune on his recordings.
  • The reference completes the delivery. reference.wav (bundled) conditions the fine-tuned model at inference and is required to produce the voice.

So the product is this fine-tune + reference.wav, together — not a text-only model, and not a generic voice-cloner (swap the reference and it isn't Roo, because the accent and timbre are the fine-tune's, not the clip's).

What it is

VoiceSingle speaker — Roo (baritone, estuary accent), 24 kHz mono
FormatPyTorch safetensors, bfloat16, ≈ 5.8 GB
ArchitectureMossTTSLocal (trust_remote_code), 556 tensors, full-model SFT (not LoRA/adapter)
Runs onAny CUDA NVIDIA GPU with PyTorch (the standard MOSS-TTS Local inference path)
BaseOpenMOSS-Team/MOSS-TTS-Local-Transformer @ 12aa734e4f11a7b3fdf4eb0ad2aa2029675ffc2e
Audio codecOpenMOSS-Team/MOSS-Audio-Tokenizer @ 3cd226ba2947efa357ef453bcad111b6eafba782

Usage

This is a drop-in fine-tuned MossTTSLocal checkpoint — run it exactly like the base MOSS-TTS-Local-Transformer, just point the loader at this repo and pass reference.wav as the reference. The supported inference paths are:

  • OpenMOSS MOSS-TTS reference pipeline — https://github.com/OpenMOSS/MOSS-TTS (PyTorch, CUDA).
  • vLLM-Omni and SGLang-Omni, which support the MossTTSLocal architecture with an OpenAI-compatible /v1/audio/speech endpoint and voice cloning.

Decoding contract for this voice: seed 42, temperature 1.0, top-k 50, top-p 0.95, repetition penalty 1.1, 32 RVQ codebooks. Supply reference.wav as the cloning/reference audio.

Smaller builds

An INT8 (bitsandbytes) build for tighter VRAM is planned as a sibling repo. On Apple Silicon, the MLX 8-bit build is ~3.6 GB.

Limitations

  • Reference-conditioned — the bundled reference.wav must ride along; there is no text-only path.
  • Single voice by design (this is Roo, not a multi-speaker system).
  • BF16 is a near-lossless downcast of the accepted FP32 fine-tune.

Provenance & license

Quantized/exported form of an accepted single-speaker MOSS-TTS Local supervised fine-tune. The base model and audio codec are Apache-2.0 (OpenMOSS); weights derived from them are redistributed here under the same license.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
MossTTSDelayModel
Ревизия весов
7759f91

0 моделей