/ Модель

Характеристики

Контекст
32 768 токенов
Лицензия
Apache 2.0
Архитектура
moss_tts_nano · dense
Опубликована
16 июн 2026

MOSS-TTS-Nano-100M

Генерация текстаТекст → текст3 профессии

Производная модели OpenMOSS-Team/MOSS-TTS-Nano-100M. Компактная мультиязычная модель OpenMOSS для потокового синтеза речи и клонирования голоса, рассчитанная на работу в том числе на CPU.

143скачиваний за 30 дней1лайквеса обновлены10 окт 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

Карточка модели maanka2/MOSS-TTS-Nano-100M на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-TTS-Nano-100M, поэтому описание составлено по ней.

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 (0.1B)

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 delivers native 48 kHz stereo audio.


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.


Installation

pip install transformers==4.57.5 torch torchaudio soundfile

Quick Inference (Hugging Face AutoModel)

Load the model once, then choose your preferred generation mode:

import torch
from transformers import AutoModel

# Load model directly from Hugging Face
model_id = "maanka2/MOSS-TTS-Nano-100M"
model = AutoModel.from_pretrained(model_id, trust_remote_code=True)
model.eval()

1. Zero-Shot Voice Clone

Clone any target voice using a short 3–10 second reference audio clip:

output = model.inference(
    text="Welcome to MOSS-TTS-Nano. Fast, real-time speech generation on CPU.",
    output_audio_path="voice_clone_output.wav",
    mode="voice_clone",
    prompt_audio_path="assets/audio/zh_1.wav",  # Reference speaker audio (3-10s)
)

print(f"Cloned audio generated at: {output['audio_path']}")

2. Real-Time Streaming Inference

Stream audio chunks iteratively with ultra-low latency while the model is still generating (ideal for chatbots and voice assistants):

for event in model.inference_stream(
    text="Streaming generation enables instantaneous playback before synthesis finishes.",
    output_audio_path="stream_output.wav",
    mode="voice_clone",
    prompt_audio_path="assets/audio/zh_1.wav"  # Reference speaker audio (3-10s)
):
    if event["type"] == "audio":
        audio_chunk = event["waveform"]  # torch.Tensor [channels, samples]
        sample_rate = event["sample_rate"]
        # Stream audio_chunk to speakers, WebRTC, or WebSocket
    elif event["type"] == "result":
        print(f"Streaming complete. Full audio saved to: {event['audio_path']}")

MOSS-Audio-Tokenizer-Nano

Model Specs

FeatureDetails
Parameters0.1B (~100M)
Audio Output48 kHz, Stereo (2 Channels)
Quantization Scheme16-Codebook Residual Vector Quantization (RVQ)
Languages Supported20 languages (English, Chinese, Arabic, Spanish, French, etc.)
Hardware TargetReal-time on CPU (4 Cores) & lightweight GPU deployments

Citation

@misc{openmoss2026mossttsnano,
  title={MOSS-TTS-Nano},
  author={OpenMOSS Team},
  year={2026},
  howpublished={GitHub repository},
  url={https://github.com/OpenMOSS/MOSS-TTS-Nano}
}

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
0702591

0 моделей