MOSS-TTS-v1.5

MOSS-TTS-v1.5

用 31 种语言朗读文字，并能用一小段参考音频克隆声音，支持语言标签和明确的停顿标记。适合给产品加入语音的配音人员、配音团队和开发者。

由 OpenMOSS-Team 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：MOSS-TTS-v1.5 是一个文本转语音模型，有 8.5B 参数，由 OpenMOSS 团队在 MOSS-TTS 1.0 的基础上继续训练而成。它保留了 1.0 的能力：不用训练就能用一小段参考音频克隆声音、生成长篇语音、按词元级别控制时长、用拼音或 IPA 控制发音，以及语码转换。1.5 版新增了语言标签、更稳定的克隆和明确的停顿标记。

适合谁：如果你要把文字变成多种语言的语音，并且想精细控制听起来的效果，它适合你，比如配音人员、配音团队和给产品加语音的开发者。

Industry | Who uses it | How they use it | Example
媒体 | 旁白和配音团队 | 用参考音频克隆声音，并生成长篇语音 | 在诗歌标题前设置固定停顿的旁白
本地化 | 多语言产品团队 | 给每一句标注语言，让发音保持正确 | 给一句法语指定语言为 French
教育 | 语言课程制作者 | 用拼音或 IPA 控制发音 | 一段发音经过选定的中文课程音频
语音产品 | 开发者 | 给应用加入合成语音 | 一个构建消息并保存生成音频的脚本

如果你需要语音识别或纯文本工作，或者你的机器放不下 8.5B 的模型，可以跳过它。

用在哪里：

• 在 Windows、macOS 或 Linux 上，在干净的环境里用 Python
• GPU 机器，硬件支持时可以选装 FlashAttention 2 来提速
• 旁白、配音和语音功能的音频制作流程

Use case | Who | What they get back
用克隆的声音旁白 | 旁白人员 | 听起来像参考声音的语音
朗读带标签的语言 | 本地化团队 | 与你指定语言相匹配的发音
在你选的位置停顿 | 音频编辑 | 长度由你写进文本的停顿

如何设置：

• Conda，或者其他能建立干净的 Python 3.12 环境的方式
• Transformers 5.0.0，模型卡推荐用它来避免冲突
• 存放权重的空间，BF16 约 17 GB，估算 4-bit 约 4.2 GB
• 如果你打算克隆声音，需要一个你有权使用的声音

1. 创建并激活一个干净的环境。
2. 从 GitHub 克隆 MOSS-TTS 项目，并按模型卡 Quick Start 所示用 pip 以可编辑模式安装。
3. 可选：加装 FlashAttention 2 扩展，以提速并降低 GPU 显存占用。
4. 下载模型文件。

conda create -n moss-tts python=3.12 -y
conda activate moss-tts

自己下载模型文件：

pip install -U huggingface_hub
hf download OpenMOSS-Team/MOSS-TTS-v1.5

如何使用：用 processor 构建用户消息，知道语言时就把语言设上。指定语言后，1.5 在几乎所有支持的语言上都强于 1.0。

processor.build_user_message(text=text_fr, language="French")

行内停顿标记直接写进文本，就像下面这一行。

我今天学习了一首中国的古诗，它的名字是[pause 3.2s]静夜思！

Tool | What it does
processor.build_user_message | 构建带有你的文本和选项的消息
language | 标注文本的语言，改善合成效果
[pause 3.2s] | 在该处插入 3.2 秒的明确停顿
hf download | 把模型文件下载到你的电脑

示例：写一句关于古诗的中文，并在诗名前放一个 3.2 秒的停顿标记。生成的语音会保持这段静音，然后念出诗名。

新手与专家：它能把文字朗读出来，也能从一小段样本模仿一种声音。第一次尝试时，按上面的步骤搭好环境、下载文件，再设好语言，念一句短话。请只使用你有权使用的声音。

在底层，1.5 在 1.0 的基础上用更多多语言数据继续训练，模型卡列出的克隆结果在多次运行之间波动更小。它还更贴近地遵循长句里标点带来的停顿，也更好地处理参考音频很长而文本很短的情况。不填语言时，和 1.0 相比可能改善某些语言，也可能让另一些略有退步。

文本、语言标签和可选的参考声音
processor 构建用户消息
MOSS-TTS-v1.5 生成语音
停顿标记和标点决定节奏
返回语音音频

注意事项：模型支持 31 种语言，比 1.0 版的 20 种更多。新增的语言包括泰语、斯瓦希里语和粤语。

Title: 各版本支持的语言数
MOSS-TTS 1.0: 20 种语言
MOSS-TTS-v1.5: 31 种语言

• License: Apache 2.0
• Cost to run: 自己运行文件时没有提到费用，模型卡还指向一个托管工作室和 API，但没有给出价格
• Data it reaches: 从 Hugging Face 下载模型文件，从 GitHub 获取项目代码，然后处理你提供的文本和参考音频
• Not for: 克隆你无权使用的声音

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 参数量：8.5B
• Weights: about 17 GB in BF16; about 4.2 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：80,361
• 点赞：220
• 许可证：apache-2.0
• 语言：zh, yue, en, ar, cs, da, de, nl
• Quantized versions: 8
• Fine-tunes: 5
• 标签：safetensors, moss_tts_delay, text-to-speech

链接

• 模型：https://huggingface.co/OpenMOSS-Team/MOSS-TTS-v1.5
• 文件：https://huggingface.co/OpenMOSS-Team/MOSS-TTS-v1.5/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download OpenMOSS-Team/MOSS-TTS-v1.5

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。