MOSS-TTS

OpenMOSS 的 8B 和 4B Apache 2.0 文字转语音模型,支持 31 种语言、声音克隆、拼音和 IPA 输入以及精确停顿。

一句话概括. MOSS-TTS 能用 31 种语言朗读文本,并能根据一段录音复制声音。你可以用拼音或国际音标写出发音,设定一句话要说多久,还能加入精确时长的停顿。权重可以免费用于商业用途。

概述

MOSS-TTS 是 MOSI.AI 与 OpenMOSS 团队的 MOSS-TTS 模型家族中的旗舰。v1.5 模型有 8B 参数,按 README 的新闻记录,在 2026 年 5 月 26 日发布,由 MOSS-TTS 1.0 继续训练而来。第二个检查点 Local Transformer v1.5 在 2026 年 6 月 18 日发布,有 4.55B 参数,把早先 Local 模型的 Qwen3-1.7B 主干换成了 Qwen3-4B,并使用 MOSS-Audio-Tokenizer-v2 编解码器,原生输出 48 kHz 立体声。两者都支持 31 种语言,即 1.0 版的 20 种,加上粤语、荷兰语、芬兰语、印地语、马其顿语、马来语、罗马尼亚语、斯瓦希里语、塔加洛语、泰语和越南语。它们能零样本克隆声音,生成长篇内容,接受拼音或 IPA 以精确控制发音,按词元数设定时长,还支持 [pause 3.2s] 这样的行内停顿。

模型卡说,只要知道语言,就应设置语言标签,因为不设置时,v1.5 与 1.0 相比可能在某些语言上变好,在另一些语言上略有退步。模型卡没有给出新的基准表,而是指回 1.0 版的结果。在 OpenMOSS 自己为 1.0 模型给出的 Seed-TTS-eval 表中,8B 模型的英语词错误率为 1.84%,中文字错误率为 1.37%,同一张表里 Qwen3-TTS 1.7B 分别是 1.5% 和 1.33%。1.7B 的 Local 模型在这张表的开放模型中说话人相似度最高,英语 73.28%,中文 79.62%。这些是开发者对早期模型的数据,所以只能作为参考,不能当作 v1.5 的排名。

权重采用 Apache 2.0,BF16 下 8B 模型为 17.0 GB,4B 模型为 9.1 GB,模型卡建议使用 Transformers 5,并通过 trust_remote_code 加载自定义代码。OpenMOSS 还记录了一条不依赖 PyTorch 的路线,使用 llama.cpp 和 ONNX 编解码器。对于 1.0 模型,它发布了 GGUF 权重,并称这样 8B 模型能放进 8 GB 显存的 GPU。vLLM-Omni 支持这个家族,SGLang-Omni 也为 Local Transformer v1.5 首日提供支持,并带有兼容 OpenAI 的语音接口。在截至 2026 年 11 月 11 日的 30 天里,Hugging Face 统计到 MOSS-TTS-v1.5 约 7.8 万次下载,Local Transformer v1.5 约 8.2 万次。同一团队的 MOSS-TTS-Nano 和 MOSS-TTSD 在本站单独收录。

适合做什么

  • 多语言的旁白、有声书和配音,列出的语言有 31 种,一次请求可以生成长篇内容。
  • 发音必须准确的中文和英文文本,可以用拼音或 IPA 输入。
  • 需要精确时长的音频,支持词元级时长控制和 [pause 3.2s] 这样的行内停顿。
  • 通过 SGLang-Omni 或 vLLM-Omni,部署成兼容 OpenAI 的语音接口。

需要注意

  • v1.5 的模型卡没有发布新的基准,它们指向的 1.0 数据也是开发者自己的。
  • 不设置语言标签时,v1.5 在某些语言上可能比 1.0 略差,所以只要知道语言就请设置标签。
  • 部署需要 Transformers 5 和 trust_remote_code,8B 模型在 BF16 下为 17.0 GB,所以请准备留有充足余量的 GPU。
  • 克隆真人的声音必须征得本人同意。

性能数据来自开发方,未经独立验证。

需要多少内存?

以下是 MOSS-TTS 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。

版本 参数量 下载大小 所需内存 可运行于
Local Transformer v1.5 (4B) BF16 4.55B 9.1 GB 10 GB 笔记本或手机
v1.5 Delay (8B) BF16 8.49B 17 GB 20 GB 游戏显卡

下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。

许可证,用大白话说

最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。

进一步了解 Apache 2.0

延伸阅读

常见问题

MOSS-TTS 是什么?
MOSS-TTS 能用 31 种语言朗读文本,并能根据一段录音复制声音。你可以用拼音或国际音标写出发音,设定一句话要说多久,还能加入精确时长的停顿。权重可以免费用于商业用途。
MOSS-TTS 可以商用吗?
可以。MOSS-TTS 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
MOSS-TTS 是开源的吗?
MOSS-TTS 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
我能在自己的电脑上运行 MOSS-TTS 吗?
可以。最小版本 Local Transformer v1.5 (4B) 在 4 位精度下约需 10 GB 内存,现代笔记本或中端显卡即可胜任。
MOSS-TTS 是什么时候发布的?
MOSS-TTS 由 OpenMOSS 于 2026年5月26日 发布。

官方链接

来源

规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。

发布时间等信息最近核实于 2026年11月11日。

相关模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
MOSS-TTS-Nano OpenMOSS 100M – Apache 2.0 (宽松) 0.276 GB 笔记本或手机
MOSS-TTSD OpenMOSS 8.36B – Apache 2.0 (宽松) 19 GB 游戏显卡
Qwen3-TTS Alibaba Qwen 910M – 1.92B – Apache 2.0 (宽松) 3.68 GB 笔记本或手机
VoxCPM2 OpenBMB 2.29B – Apache 2.0 (宽松) 8 GB 笔记本或手机