> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-de/audio-and-stimme/moss-tts.md). # MOSS-TTS (nur CPU, 100M) Führe MOSS-TTS aus — ultraleichtes, CPU-first, mehrsprachiges Text-to-Speech mit 100M Parametern von OpenMOSS (MOSI.AI + Fudan NLP) auf Clore.ai. MOSS-TTS ist eine Open-Source-Sprachgenerierungsfamilie von **OpenMOSS** (Shanghai Innovation Institution, in Zusammenarbeit mit **Fudan NLP** und **MOSI.AI**, geleitet von Prof. Xipeng Qiu). Das Flaggschiff **MOSS-TTS-Nano** ist nur **100 Mio. Parameter**, läuft in Echtzeit auf einer **4-Kern-CPU ohne GPU**, gibt **48-kHz-Stereo**, und unterstützt **20 Sprachen** mit Zero-Shot-Stimmenklonung. Die gesamte Familie skaliert bis 8B für Mehrsprecher-Dialoge, Voice Design und Soundeffekt-Generierung. {% hint style="info" %} **Veröffentlicht:** 10. April 2026 (Nano) · ONNX-CPU-Build 17. April 2026 · **Lizenz:** Apache 2.0 {% endhint %} Wenn Kokoro die 82M-Parameter-Western-English-Nische beherrscht, beherrscht MOSS-TTS-Nano die **CPU-first Mehrsprachen-** Nische: dieselbe Tiny-Model-Philosophie, aber Stereo 48 kHz, 20 Sprachen, Stimmenklonung und ein Torch-freier ONNX/GGUF-Pfad. Für alle, die TTS bereitstellen wollen, ohne für eine GPU zu zahlen — das ist das Modell. ### MOSS-TTS-Familie | Modell | Größe | VRAM | Am besten geeignet für | | ------------------------------ | --------------- | ------------------- | ------------------------------------------ | | **MOSS-TTS-Nano-100M** | 100M | 0 GB (CPU, 4 Kerne) | Echtzeit, Edge, IVR, On-Device | | **MOSS-TTS-Nano-100M-ONNX** | 100M | 0 GB (CPU) | Torch-fähiger Produktionsbetrieb | | **MOSS-TTS-GGUF** | 100M (Q4\_K\_M) | 0 GB (CPU) | Bereitstellungen im Stil von llama.cpp | | **MOSS-TTS-Local-Transformer** | 1,7B | 4 GB | Leichte GPU, starke objektive Qualität | | **MOSS-TTS-Realtime** | 1,7B | 4 GB | Mehrstufige Sprachagenten, 180 ms TTFB | | **MOSS-VoiceGenerator** | 1,7B | 4 GB | Stimmendesign aus Text-Prompts | | **MOSS-TTSD-v1.0** | 8B | 8 GB | Mehrsprecher-Dialoge, lange Podcasts | | **MOSS-SoundEffect** | 8B | 8 GB | Soundeffekt-Generierung mit Dauersteuerung | ### Wichtige Spezifikationen | Spezifikation | Wert | | ---------------- | ------------------------------------------------------------------------------------------------------------------------------- | | **Entwickler** | OpenMOSS Team · MOSI.AI · Fudan NLP Lab | | **Architektur** | Autoregressiv (Audio-Tokenizer + LLM) | | **Abtastrate** | 48 kHz, Stereo | | **Sprachen** | 20 (zh, en, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr, +1) | | **Stimmklonung** | Zero-Shot aus \~3 s Referenz | | **Streaming** | Ja — Chunked Decoding auf der CPU | | **Lizenz** | Apache 2.0 | | **HuggingFace** | [OpenMOSS-Team](https://huggingface.co/OpenMOSS-Team) | | **GitHub** | [OpenMOSS/MOSS-TTS-Nano](https://github.com/OpenMOSS/MOSS-TTS-Nano) · [OpenMOSS/MOSS-TTS](https://github.com/OpenMOSS/MOSS-TTS) | ### Warum MOSS-TTS? * **GPU-freie Bereitstellung** — Nano läuft auf 4 CPU-Kernen, ohne CUDA, ohne Triton * **48-kHz-Stereoausgabe** — sendetaugliche Qualität, selten bei Modellen unter 100M * **20 Sprachen** — mehr Sprachabdeckung als Kokoro (\~5) bei ähnlicher Größe * **Zero-Shot-Stimmenklonierung** aus \~3 s Referenzaudio * **Torch-freie ONNX/GGUF-Pfade** — mit einer 200-MB-Binärdatei ausliefern * **Die Familie skaliert nach oben** — derselbe Tokenizer/API von Nano bis 8B TTSD * **Apache 2.0** — kommerzielle Nutzung, ohne Auflagen * **Aus seriöser Forschung** — Fudan NLP + MOSI.AI, kein Hobbyprojekt ## Anforderungen | Komponente | Minimum (Nano, CPU) | Empfohlen (Nano, CPU) | Gesamte Familie (GPU) | | ---------- | ------------------------- | --------------------- | --------------------------- | | CPU | 4 Kerne (x86\_64 / ARM64) | 8 Kerne | 8 Kerne | | RAM | 4 GB | 8 GB | 16 GB | | GPU | — (nicht erforderlich) | — (optional) | RTX 3060 12 GB+ | | VRAM | 0 GB | 0 GB | 4–8 GB | | Festplatte | 1 GB | 2 GB | 10 GB (8B + Abhängigkeiten) | | Python | 3.12 | 3.12 | 3.12 | {% hint style="success" %} **Clore.ai-Tipp:** Nano benötigt buchstäblich keine GPU. Wenn du bereits eine Clore-Box für andere Arbeit hast, ist TTS kostenlos. Wenn du *möchtest* eine GPU für Batch-Durchsatz oder zum Ausführen der 1,7B/8B-Varianten, ist eine **RTX 3060 12 GB ($0.03–0.07/Std.)** überdimensioniert. {% endhint %} ## Option A — Python-Installation + schnelle Inferenz ```bash conda create -n moss-tts-nano python=3.12 -y conda activate moss-tts-nano git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git cd MOSS-TTS-Nano pip install -r requirements.txt pip install -e . # Falls pynini bei pip scheitert, conda-forge verwenden: conda install -c conda-forge pynini=2.1.6.post1 -y ``` Inferenz aus dem Referenzaudio + Zieltext: ```bash python infer.py \\ --prompt-audio-path assets/audio/en_1.wav \\ --text "Willkommen bei Clore.ai — dem dezentralen GPU-Marktplatz." # Ausgabe: generated_audio/infer_output.wav (48-kHz-Stereo) ``` Oder über den CLI-Einstiegspunkt: ```bash moss-tts-nano generate \\ --prompt-speech ref.wav \\ --text "Hallo von MOSS-TTS Nano, das auf der CPU läuft." ``` Web-Demo (Gradio): ```bash python app.py # → http://127.0.0.1:18083 ``` ## Option B — Docker (CPU und GPU) **Nur CPU** (Nano, \~1 GB Image): ```dockerfile FROM python:3.12-slim RUN apt-get update && apt-get install -y git build-essential \\ && rm -rf /var/lib/apt/lists/* WORKDIR /app RUN git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git . \\ && pip install -r requirements.txt && pip install -e . EXPOSE 18083 CMD ["python", "app.py"] ``` ```bash docker build -t moss-tts-nano-cpu . docker run --rm -p 18083:18083 moss-tts-nano-cpu ``` **GPU-Variante** (für Realtime / TTSD / SoundEffect): ```bash docker run --gpus all -p 18083:18083 \\ pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime \\ bash -c "git clone https://github.com/OpenMOSS/MOSS-TTS.git /app \\ && cd /app \\ && pip install --extra-index-url https://download.pytorch.org/whl/cu128 -e '.[torch-runtime]' \\ && python app.py" ``` ## Option C — Zero-Shot-Stimmenklonung (3 s Referenz) MOSS-TTS-Nano klont eine Stimme aus einem kurzen Referenzclip und verarbeitet die Generierung langer Formate über automatische Chunking. ```python from moss_tts_nano import MossTTSNano import soundfile as sf model = MossTTSNano.from_pretrained("OpenMOSS-Team/MOSS-TTS-Nano-100M") # Stimme aus einem beliebigen sauberen 3–10-s-Clip klonen audio, sr = model.synthesize( text="Dies ist meine geklonte Stimme, die ein Clore.ai-Hörbuchkapitel erzählt.", prompt_audio_path="speaker_ref_3s.wav", language="en", ) sf.write("cloned.wav", audio, sr) # 48-kHz-Stereo ``` **Qualitätstipps (übernommen aus dem XTTS-Playbook — dieselben Prinzipien gelten):** * Verwende 3–10 s **saubere** Referenz (keine Hintergrundmusik, kein Raumhall) * Wenn möglich, Sprache der Referenz und des Zieltexts angleichen * Vor dem Einlesen normalisieren und Stille kürzen (`librosa.effects.trim`) * Für konsistente Langform-Narration dieselbe Referenz über Aufrufe hinweg wiederverwenden ## Option D — GGUF auf llama.cpp-audio / Torch-freies ONNX Für Edge-Boxen, mobile Backends oder überall dort, wo du PyTorch nicht möchtest: ```bash # Das Haupt-Repo mit den Torch-freien Extras klonen git clone https://github.com/OpenMOSS/MOSS-TTS.git cd MOSS-TTS pip install -e ".[llama-cpp-onnx]" # GGUF-quantisierte Gewichte abrufen (Q4_K_M) huggingface-cli download OpenMOSS-Team/MOSS-TTS-GGUF --local-dir weights/ # Oder reiner ONNX-Build (ganz ohne torch) huggingface-cli download OpenMOSS-Team/MOSS-TTS-Nano-100M-ONNX --local-dir weights-onnx/ ``` Dieser Pfad läuft mit llama.cpp-kompatiblen Tools — großartig für Raspberry Pi, Android oder serverlose Funktionen, bei denen eine 200-MB-Binärdatei wichtig ist. ## GPU-Empfehlungen für Clore.ai **Nano braucht keine GPU.** Das ist ja der ganze Punkt. Aber wenn du Batch-Generierung willst oder die größeren Geschwister ausführen möchtest: | GPU | VRAM | Passt | Clore-Preis (ca.) | | ------------------- | ----- | ------------------------------------------- | ------------------ | | **Nur-CPU-Instanz** | — | Nano, Nano-ONNX, GGUF | ab **$0.01/Std.** | | RTX 3060 12 GB | 12 GB | Nano + Local-Transformer + Realtime | ab $0.03–0.07/Std. | | RTX 3090 24 GB | 24 GB | Vollständiges TTSD-v1.0 (8B), Batch-Serving | ab $0.07–0.21/Std. | | RTX 4090 24GB | 24 GB | TTSD + SoundEffect gleichzeitig | ab $0.14–0.42/Std. | {% hint style="success" %} Für 90 % der produktiven TTS-Workloads — Sprachagenten, IVR, Narration — ist eine **reine CPU-Clore.ai-Box buchstäblich die günstigste praktikable Bereitstellung**. Miete sie, betreibe MOSS-TTS-Nano, vergiss GPU-Rechnungen. {% endhint %} ## Anwendungsfälle * **Hörbücher** — Langform-Narration mit konsistenter geklonter Stimme, automatisches Chunking * **Sprachagenten** — subsekundäre TTFB in der Realtime-Variante für Conversational AI * **IVR / Telefonsysteme** — CPU-freie Bereitstellung, 48-kHz-Stereo, 20 Sprachen * **Spiel-NPCs** — leicht genug, um in einem Game-Client ausgeliefert zu werden, Voice Design pro Figur * **Synchronisation** — mehrsprachige Klonung für Lokalisierungspipelines * **Podcast-Generierung** — MOSS-TTSD-v1.0 verarbeitet Mehrsprecher-Dialoge nativ * **Soundeffekte** — MOSS-SoundEffect ergänzt die Pipeline um dauergesteuerte FX ## Benchmarks / Qualität * **MOSS-TTSD-v1.0** übertraf Doubao und Gemini 2.5-pro bei subjektiven Bewertungen von Mehrsprecher-Dialogen * **Nano** liefert einen Real-Time-Faktor **< 1,0 auf 4 CPU-Kernen** (d. h. schneller als die Wiedergabe) * **Realtime** Variante berichtet **\~180 ms Zeit bis zum ersten Byte** für den conversationalen Einsatz * Stereo-48-kHz-Ausgabe ist bei diesem Parameterbudget ein deutlicher Fortschritt gegenüber 24-kHz-Mono-Konkurrenten ## Fehlerbehebung | Problem | Lösung | | ----------------------------------------------- | -------------------------------------------------------------------------------------------------------- | | `pynini` Installation schlägt über pip fehl | `conda install -c conda-forge pynini=2.1.6.post1 -y` dann WeTextProcessing neu installieren | | Ruckeliges Audio auf CPU | Stelle 4+ physische Kerne sicher; deaktiviere SMT-/HT-Überbelegung; verwende den ONNX-Build | | Geklonte Stimme klingt falsch | Referenz muss 3–10 s lang, sauber, Einzelsprecher und sprachlich passend sein | | OOM bei TTSD-v1.0 | Verwende FP16 (`model.half()`) oder wechsle auf den 1,7B Local-Transformer | | Modelldownload hängt fest | Setze `HF_HUB_ENABLE_HF_TRANSFER=1` und erneut versuchen | | Langsamer erster Lauf | Die erste Inferenz kompiliert Kernel / lädt \~400 MB Gewichte herunter — nachfolgende Läufe sind schnell | | Torch verursacht Konflikte mit anderen Modellen | Nutzen Sie den `[llama-cpp-onnx]` Extras für eine Torch-freie Umgebung | ## Nächste Schritte * [Kokoro TTS](/guides/guides_v2-de/audio-and-stimme/kokoro-tts.md) — die 82M-Alternative mit Fokus auf Englisch, falls du kein Multilingual brauchst * [Voxtral TTS](/guides/guides_v2-de/audio-and-stimme/voxtral-tts.md) — 4B Mistral-Modell, 9 Sprachen, GPU erforderlich, aber höheres Potenzial * [XTTS (Coqui)](/guides/guides_v2-de/audio-and-stimme/xtts-coqui.md) — Stimmenklonung für 17 Sprachen, nur GPU, größer * [Whisper-Transkription](/guides/guides_v2-de/audio-and-stimme/whisper-transcription.md) — MOSS-TTS mit Whisper für vollständige Sprachpipelines kombinieren * [Miete eine GPU (oder CPU) auf dem Clore.ai-Marktplatz](https://clore.ai/marketplace) *** *Zuletzt aktualisiert: 20. April 2026* --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.clore.ai/guides/guides_v2-de/audio-and-stimme/moss-tts.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.