/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
MOSS-TTS-v1.5
Библиотека
gguf
Опубликована
28 июн 2026

moss-tts-gguf

Синтез речиТекст → аудио3 профессии

MOSS-TTS-v1.5 GGUF — модель синтеза речи с поддержкой клонирования голоса, основанная на OpenMOSS-Team/MOSS-TTS-v1.5.

3 014скачиваний за 30 дней2лайкавеса обновлены21 авг 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

Данные веса преобразованы в формат GGUF для работы с C++/GGML runtime OpenMOSS. Модель предназначена для генерации речи по тексту, а также для синтеза с голосом, заданным аудиореференсом.

Доступны два варианта backbone: полный BF16 и компактный Q8_0. В Q8_0-версии матрицы используют 8-битное квантование, а таблица токенов хранится в BF16; нормализационные тензоры и отдельные компоненты аудиокодека сохраняются в FP32. Для каждой версии требуется подключать соответствующий файл extras.gguf. Конверсия не содержит FP16-тензоров. В README не указаны размер модели, поддерживаемые языки, длина контекста и полный перечень архитектурных компонентов.

К сильным сторонам относятся возможность CPU- и Vulkan-запуска, более компактный Q8_0-вариант и проверенная генерация длинных аудиофрагментов без обрезания финальной части и клиппинга. Ограничением является зависимость от сборки OpenMOSS с поддержкой загрузки BF16/FP32 codec sidecar; старые версии runtime несовместимы с этими файлами. Исходная модель и конвертированные веса распространяются 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-v1.5 BF16 and Q8_0 GGUF for OpenMOSS

GGUF weights for OpenMOSS-Team/MOSS-TTS-v1.5, converted for the OpenMOSS C++/GGML runtime.

Precision correction

All files in this revision are FP16-free. The full backbone follows the official BF16 checkpoint. The recommended compact backbone uses Q8_0 matrices, retains the token embedding table as BF16, and keeps normalization tensors in FP32. The shared audio sidecar stores ordinary learned weights as BF16 while retaining normalization and residual-vector-quantizer tensors in FP32.

Files

FileTensor inventorySHA-256
moss-tts-1.5-q8_0.gguf253 Q8_0, 1 BF16, 145 FP32, 0 FP1683a7885739fe92113208c2abbb45985da30ac1a40c31d4b1a2e722a8ec5256ef
moss-tts-1.5-q8_0.extras.gguf618 BF16, 1,046 FP32, 0 FP16d50f71cffd44e4b76db58e5be09155200b74c6058c5ebeac58e026926c9a72eb
moss-tts-1.5.gguf254 BF16, 145 FP32, 0 FP16f732033d4f1f528ec49ec93904a97c7c61de9ba76e3a0b63d199518dd1ea35f7
moss-tts-1.5.extras.gguf618 BF16, 1,046 FP32, 0 FP16d50f71cffd44e4b76db58e5be09155200b74c6058c5ebeac58e026926c9a72eb

Download one backbone and its same-stem *.extras.gguf sidecar. The Q8_0 pair is recommended for normal use; the full BF16 pair is the reference conversion.

Source revisions

  • TTS: OpenMOSS-Team/MOSS-TTS-v1.5@cdd3b911b1585e3f2dbc7775ef10f9926f58850a
  • Audio tokenizer: OpenMOSS-Team/MOSS-Audio-Tokenizer@3cd226ba2947efa357ef453bcad111b6eafba782
  • Converter/runtime base: pwilkin/openmoss@d1f2976a89fd51bf949d28320af401e523b78c67, plus BF16-preserving conversion and BF16/FP32 codec-sidecar loading

Runtime requirement

Use an OpenMOSS build with BF16/FP32 codec-sidecar loading support. Older builds that require moss.codec.quantizer.* tensors to be FP16 cannot decode these corrected sidecars. The upstream audio tokenizer keeps its residual-vector-quantizer math in FP32, so down-converting those tensors is not a valid compatibility fix.

Validation

  • Tensor audit: zero FP16 tensors in all four files.
  • Full BF16 pair: CPU model load, natural end-of-speech, and codec decode to a 2.16-second WAV.
  • Q8_0 pair: CPU and Vulkan model/sidecar load, natural end-of-speech, and complete codec decode.
  • The long Q8_0 pilot produced 15.52 seconds on CPU and 14.48 seconds on Vulkan. CPU Whisper recovered the complete three-sentence script, including the final sentence from 10.76 seconds onward and the final words stirring once more.
  • Long-pilot waveform QA found zero clipped samples, no late crop transient, and 0.13 seconds of trailing silence.

OpenMOSS usage

Plain TTS:

moss-tts-cli \
  --model moss-tts-1.5-q8_0.gguf \
  --text "Moonlight falls across the old stone road." \
  --output speech.wav

Voice cloning:

moss-tts-cli \
  --model moss-tts-1.5-q8_0.gguf \
  --reference reference.wav \
  --text "The gate is open. We should move before dawn." \
  --output cloned.wav

License

The source model and these converted weights are provided under Apache 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

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

Ревизия весов
66bc824

0 моделей