/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
9,1 ГБ
Лицензия
Apache 2.0
Архитектура
moss_tts_local · dense
Базовая модель
MOSS-TTS-Local-Transformer-v1.5
Библиотека
mlx
Опубликована
2 сен 2026

MOSS-TTS-Local-Transformer-v1.5-bf16

Синтез речиТекст → аудио3 профессии

Многоязычная 4-миллиардная модель синтеза речи с потоковой генерацией и клонированием голоса, конвертированная для MLX и Apple Silicon.

132скачиваний за 30 дней0лайковвеса обновлены2 сен 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

Это конверсия модели синтеза речи MOSS-TTS-Local-Transformer-v1.5 от OpenMOSS (MOSI.AI) для запуска на Apple Silicon через MLX. Модель содержит 4 млрд параметров, использует основу Qwen3 и локальный трансформер, который генерирует 12 RVQ-кодбуков на кадр. Веса bf16 не квантизированы и занимают около 8,5 ГБ; аудиотокенизатор MOSS-Audio-Tokenizer-v2 обеспечивает стереозвук с частотой 48 кГц.

Модель предназначена для многоязычного синтеза речи, потоковой генерации и клонирования голоса по короткому аудиопримеру без отдельного дообучения. В метаданных перечислены китайский, английский, японский, корейский, немецкий, французский, испанский, итальянский, русский и португальский языки. Для работы на MLX используется библиотека mlx-audio; лицензия — Apache-2.0.

Клонирование голоса зависит от предоставленного эталонного аудио, а генерация ограничена фиксированной глубиной в 12 RVQ-кодбуков. Полноточная конверсия требует около 8,5 ГБ памяти для весов; модель ориентирована на среду MLX и Apple Silicon.

Сценарии применения

  • синтез речи из текста на поддерживаемых языках
  • потоковое озвучивание текста
  • клонирование голоса по образцу аудио
  • локальная генерация речи на устройствах Apple Silicon

Ограничения

Полноточные веса bf16 занимают около 8,5 ГБ и модель рассчитана на запуск через MLX на Apple Silicon. На этапе вывода требуется фиксированная глубина 12 RVQ-кодбуков; для клонирования голоса нужен эталонный аудиофрагмент.

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

mlx-community/MOSS-TTS-Local-Transformer-v1.5-bf16

MLX conversion of OpenMOSS-Team/MOSS-TTS-Local-Transformer-v1.5 (OpenMOSS / MOSI.AI) — the 4B MossTTSLocal speech model (Qwen3 backbone + a local transformer emitting 12 RVQ codebooks per frame), zero-shot voice cloning, streaming synthesis, 48 kHz stereo output through MOSS-Audio-Tokenizer-v2.

Precision: bf16 (unquantized, weights as upstream) — 8.5 GB. Converted with mlx_audio.convert (model type moss_tts_local) from the upstream safetensors, tokenizer files copied verbatim; the upstream remote-code .py files are not needed by MLX and were dropped.

Sibling tiers: MOSS-TTS-Local-Transformer-v1.5-bf16 · -8bit · -4bit. The codec is mlx-community/MOSS-Audio-Tokenizer-v2-bf16 (this config's audio_tokenizer_name_or_path still points at the upstream fp32 repo, which mlx-audio also loads directly).

Use with mlx-audio

from mlx_audio.tts import load
from mlx_audio.audio_io import write as audio_write

model = load("mlx-community/MOSS-TTS-Local-Transformer-v1.5-bf16", lazy=True)
result = next(model.generate(
    text="Hello, this is MOSS-TTS running on MLX.",
    ref_audio="speaker.wav",          # optional zero-shot cloning prompt
    language="English",
    max_tokens=400,
))
audio_write("out.wav", result.audio, result.sample_rate)   # 48 kHz stereo

Streaming (stream=True, streaming_interval=2.0) is supported on this checkpoint; see the mlx-audio moss_tts README. Fixed 12-codebook RVQ depth — do not pass a different n_vq_for_inference.

License

Apache-2.0 (upstream weights and this conversion). Please credit OpenMOSS for the model.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
MossTTSLocalModel
Ревизия весов
ae0e2a9

0 моделей