/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
MOSS-TTS-Local-Transformer-v1.5
Опубликована
27 июл 2026

moss-tts-local-gguf

Синтез речиТекст → аудио3 профессии

MOSS-TTS-Local-Transformer-v1.5 — GGUF — это локальная модель синтеза речи и клонирования голоса, разработанная на основе моделей OpenMOSS-Team и преобразованная в формат GGUF для работы с автономным runtime openmoss на C++/GGML.

1 144скачиваний за 30 дней1лайквеса обновлены27 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

Модель предназначена для генерации речи по тексту и озвучивания текста голосом, заданным через аудиореференс.

Модель использует backbone на базе Qwen3-4B со скрытым размером 2560 и локальный однослойный transformer для обработки аудиокодов. Она работает совместно с MOSS-Audio-Tokenizer-v2, поддерживает 12 кодбуков с частотой кадров 12,5 Гц и генерирует стереозвук с частотой дискретизации 48 кГц. Заявлены китайский и английский языки. Квантованный вариант Q8_0 занимает около 4,65 ГБ, а дополнительный файл с аудиоэмбеддингами и компонентами кодека — около 4,46 ГБ; оба файла необходимы для работы.

К сильным сторонам относятся локальный запуск с поддержкой CPU, CUDA и Vulkan, высокая частота дискретизации, клонирование голоса и проверенная соответствующая исходному тексту разборчивость, включая длинные аудиофрагменты. При этом сходство с голосом при клонировании проверялось лишь выборочно и не подтверждено строгими измерениями. Для использования требуется совместимый runtime openmoss и наличие обоих GGUF-файлов. 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-Local-Transformer-v1.5 — GGUF

GGUF weights for MOSS-TTS-Local-Transformer-v1.5 (48 kHz stereo text-to-speech / voice cloning), converted for use with openmoss — a standalone C++/GGML runtime (CUDA + Vulkan + CPU).

Source models:

License: Apache-2.0, per the source models.

Files

FileSizeNotes
moss-tts-local-1.5-q8_0.gguf4.65 GBQ8_0 backbone with f16 token embeddings — recommended
moss-tts-local-1.5-q8_0.extras.gguf4.46 GBsidecar: audio embeddings, local transformer, MOSS-Audio-Tokenizer-v2

Both files are required and must sit next to each other — the runtime derives the sidecar path from the backbone path by replacing .gguf with .extras.gguf.

Usage

./moss-tts-cli \
    --model moss-tts-local-1.5-q8_0.gguf \
    --text "Hello, world!" \
    --language English \
    --output out.wav

Voice cloning:

./moss-tts-cli \
    --model moss-tts-local-1.5-q8_0.gguf \
    --text "This sentence will be spoken in the cloned voice." \
    --reference speaker.wav \
    --output out.wav

Output is 48 kHz stereo, unlike the 24 kHz mono of the delay-pattern MOSS-TTS models.

How this differs from MOSS-TTS (delay pattern)

MOSS-TTS-v1.5MOSS-TTS-Local-Transformer-v1.5
BackboneQwen3-8B, hidden 4096Qwen3-4B, hidden 2560
Codebooks32, delay-pattern scheduled12, emitted per frame
Multi-codebook schemedelay pattern1-layer local ("depth") transformer
CodecMOSS-Audio-Tokenizer (24 kHz mono)MOSS-Audio-Tokenizer-v2 (48 kHz stereo)
Frame rate12.5 Hz12.5 Hz

Conversion

python scripts/convert_hf_to_gguf.py \
    --moss-tts OpenMOSS-Team/MOSS-TTS-Local-Transformer-v1.5 \
    --codec    OpenMOSS-Team/MOSS-Audio-Tokenizer-v2 \
    --output   moss-tts-local-1.5.gguf

llama-quantize --token-embedding-type f16 \
    moss-tts-local-1.5.gguf moss-tts-local-1.5-q8_0.gguf Q8_0

The converter drops two sets of tied duplicates that the checkpoint stores twice (text_lm_head ≡ transformer.embed_tokens, and audio_lm_heads[i] ≡ audio_embeddings[i]), saving ~0.42 B parameters.

Verification

The port was checked against the reference PyTorch implementation:

  • Prompt tokenization — the 69 token ids for a sample prompt match processor.build_user_message(...) exactly, id for id. (The prompt must be tokenized segment-by-segment; encoding it as one string merges "." + "\n" into a single token and shifts everything downstream.)

  • Local transformer — fed the reference's own backbone hidden state, the GGML implementation reproduces all 12 codebook indices exactly, greedily.

  • Full pipeline, greedy — the Q8_0 model reproduces all 12 of the reference's frame-0 codes. The f16 model differs on exactly one codebook whose top-1/top-2 logit margin is 0.009, i.e. a numerical tie.

  • Codec round-trip — 0.995 envelope correlation on both channels at 5 s, 40 s and 120 s, with no degradation in the second half (the per-stage sliding-window attention is correct).

  • Intelligibility — generated samples were transcribed by an audio-capable LLM (Gemma 4 E4B) and came back word-for-word correct:

    Prompt textTranscription
    "The quick brown fox jumps over the lazy dog."exact
    "Once again, pangram-style text remains the simplest way to exercise a speech synthesis system end to end."exact
    "This sentence should be spoken in the cloned voice."exact

    A 120 s codec round-trip of Chinese reference speech also transcribed correctly, confirming the chunked sliding-window attention preserves intelligibility over long inputs.

Speaker similarity under voice cloning was spot-checked but not rigorously verified — the LLM-as-judge used for it was too inconsistent to support a claim either way.

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
9bfc4d5

0 моделей