MOSS-TTS

收录理由

MOSS-TTS 是一套面向真实产品场景的语音与声音生成模型家族，并非停留在演示级别的合成效果。它既能稳定输出长段落旁白，也支持多说话人对话和角色音色设计；除了常规的文字转语音，还内置了短文本音色克隆、精细的停顿与韵律控制，以及用于中英混读等语码切换场景的显式语言标记。环境音效生成也集成在同一套代码库中，其中约一亿参数的小模型在几核 CPU 上即可完成流式推理，因此同一技术栈既能部署到云端，也能跑在端侧设备上。项目附带 SGLang、vLLM 等推理后端，并提供了基于 llama.cpp 的量化权重路径，即使在配置不高的 GPU 上也能运行，团队可以快速搭建原型，之后再用自有语音数据微调，无需从零组装整套服务框架。