MOSS-TTS

MOSS-TTS

用八种语言朗读文字，支持零样本声音克隆、长篇语音，并可控制发音和时长。适合音频制作人和开发语音功能的开发者。

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 是 MOSS-TTS Family 的旗舰文本转语音模型，由 MOSI.AI 和 OpenMOSS 团队推出。它的重点是自然的语音、用一小段参考音频克隆声音，以及生成很长的音频。它还能控制拼音、音素和时长，并能处理混合多种语言的文本。它的记录显示有 8.5B 参数。

适合谁：如果你需要把文字变成语音，不论是音频制作人，还是给产品加语音的开发者，它都适合你。这个系列里还有负责对话、声音设计、实时回复和音效的模型。

Industry | Who uses it | How they use it | Example
媒体 | 播客和有声书制作人 | 根据脚本生成长篇旁白 | 用选定的一个声音朗读一篇长文章
游戏与影视 | 音效设计师 | 用系列里的音效模型制作场景声音 | 一段设定时长的城市街景声音
语音产品 | 语音智能体开发者 | 把实时模型和文本模型搭配，实现快速回复 | 大约 180 ms 后就开始的语音回答
本地化 | 涉及多种语言的团队 | 用列出的语言合成文本 | 一句在中文和英文之间切换的话

如果你需要语音识别或纯文本工作，可以跳过它，因为它只生成音频。

用在哪里：

• 下载文件之后，在 Windows、macOS 或 Linux 上用 Python
• 把文本模型和实时模型搭配起来的语音智能体
• 播客、对话、游戏和影视的音频制作

Use case | Who | What they get back
朗读长文本 | 制作人 | 持续多分钟的稳定语音
克隆你有权使用的声音 | 创作者 | 用一小段参考音频里的声音生成的新语音
制作语音对话 | 内容团队 | 多人对话的音频

如何设置：

• Python
• 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. 安装 Hugging Face hub 包。
2. 把模型文件下载到你的电脑。
3. 打开模型卡，按其中的步骤运行模型。

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

如何使用：你给模型文本，也可以再给一个参考声音，它返回语音音频。运行步骤在模型卡里。这个系列有五个模型，可以单独用，也可以组成一条流水线。

Tool | What it does
MOSS-TTS | 旗舰模型，用于声音克隆、长篇语音和多语言合成
MOSS-TTSD | 生成多人参与的语音对话
MOSS-VoiceGenerator | 根据文字提示词设计声音，不需要参考语音
MOSS-TTS-Realtime | 以低延迟用语音回答，用于语音智能体
MOSS-SoundEffect | 生成指定时长的音效

示例：给 MOSS-TTS 一段文字，再给一小段你有权使用的声音。它会用那个声音朗读这段文字，你还可以调整发音和节奏。

新手与专家：这是一种把书面文字用自然声音读出来的软件。第一次尝试时，用上面两条命令下载文件，然后按模型卡的说明，用一句短话试一试。请只使用你有权使用的声音。

在底层，这个系列在同一套设置下训练了两种架构。MossTTSDelay 偏重长上下文的稳定性和推理速度，MossTTSLocal 偏重轻量灵活，面向流式系统。实时模型是专为语音智能体设计的另一种结构，会跨轮次使用之前的文本和用户的音频。

文本和可选的参考声音
MOSS-TTS 模型生成语音
应用拼音、音素和时长控制
返回语音音频

注意事项：这个系列覆盖中文、英文、德语、西班牙语、法语、日语、意大利语和希伯来语。实时模型报告的首个音频字节在 180 ms 后到达。

Title: MOSS-TTS-Realtime 的延迟，单位毫秒
首字节时间: 180 ms
首句文本加首字节: 377 ms

• 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，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：4,748
• 点赞：438
• 许可证：apache-2.0
• 语言：zh, en, de, es, fr, ja, it, he
• Quantized versions: 1
• Fine-tunes: 1
• 标签：safetensors, moss_tts_delay, text-to-speech

链接

• 模型：https://huggingface.co/OpenMOSS-Team/MOSS-TTS
• 文件：https://huggingface.co/OpenMOSS-Team/MOSS-TTS/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

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。