/ Модель

Характеристики

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

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

Синтез речиТекст → аудио3 профессии

MOSS-TTS-Local-Transformer-v1.5-GGUF — версия модели синтеза речи MOSS-TTS, преобразованная в формат GGUF командой LocalAI на основе MOSS-TTS-Local-Transformer-v1.5 от OpenMOSS-Team.

7 638скачиваний за 30 дней1лайквеса обновлены14 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 локального преобразования текста в речь и запускается через moss-tts.cpp — реализацию инференса на C++17 и ggml без Python, ONNX и PyTorch во время выполнения.

Архитектура включает 36-слойный Qwen3-трансформер с размерностью скрытого состояния 2560 в качестве глобальной основы, однослойный локальный GPT-J-блок для обработки кодбуков и бинарную голову принятия решения о продолжении или завершении аудио. Для генерации используются 12 RVQ-кодбуков, декодируемых MOSS-Audio-Tokenizer-v2 в стереозвук с частотой 48 кГц. Поддерживаемые языки и максимальная длина контекста в README не указаны.

Доступны варианты f16 размером около 9,4 ГБ и q8_0 размером около 6,0 ГБ; q8_0 заявлен как рекомендуемый вариант, близкий к исходному качеству. Порт численно проверен относительно реализации на PyTorch, а на CPU заявлена примерно двукратная скорость обработки каждого кадра при той же точности f32. Для работы требуются отдельные GGUF-файлы кодека и токенизатора, а также собранный moss-tts.cpp. 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)

Brought to you by the LocalAI team.

GGUF conversion of OpenMOSS-Team/MOSS-TTS-Local-Transformer-v1.5 for moss-tts.cpp: a C++17/ggml inference port of the OpenMOSS MOSS-TTS family that runs entirely on stock ggml with no Python, ONNX or torch at inference time.

Architecture

MossTTSLocal v1.5 is an RQ-Transformer text-to-speech model:

  • Global backbone: a 36-layer Qwen3 transformer over time (the text + speech prefix), hidden size 2560.
  • Local depth transformer: a 1-layer GPT-J block (LayerNorm, fused QKV, interleaved RoPE, SiLU MLP) over the codebooks within each frame.
  • Binary decision head: a direct 2-wide local_text_head on channel 0 that chooses continue (audio slot) vs stop (audio end) per frame.
  • 12 RVQ codebooks decoded through MOSS-Audio-Tokenizer-v2 at 48 kHz stereo (interleaved output).

The non-matmul tensors (all lc.* heads and embeddings, every norm and bias) are kept in f32 in every quant; only the Qwen3 global and GPT-J local attention/FFN matmuls are quantized, so the CPU gather/head paths stay exact.

Verification

This port is numerically verified against the reference PyTorch implementation: the language model matches to about 1e-5 with an exact greedy code sequence, and the MOSS-Audio-Tokenizer-v2 decode matches at about 115 dB SNR (bit-exact in f32). On CPU it runs roughly twice as fast per frame as the reference PyTorch at the same f32 precision.

Files

quantsizenotes
f169.4 GBhalf precision, code-exact vs f32
q8_06.0 GB8-bit, near-lossless, recommended default

The non-matmul path (heads, embeddings, norms, biases) stays f32 in both quants. This repo also ships the codec (moss-audio-tokenizer-v2-f32) and tokenizer (moss-tokenizer-v1_5) GGUFs required to run the model.

Usage

With moss-tts.cpp built:

moss-tts-cli tts-local \
    --model moss-tts-local-v1_5-q8_0.gguf \
    --codec moss-audio-tokenizer-v2-f32.gguf \
    --tokenizer moss-tokenizer-v1_5.gguf \
    --text "Hello from the LocalAI team." \
    --out out.wav

The output is a 48 kHz stereo WAV. Swap --model for any of the quants above.

Links

License

Released under the Apache-2.0 license, following the upstream base model.

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
7210ff6

0 моделей