> 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-es/audio-y-voz/moss-tts.md). # MOSS-TTS (solo CPU, 100M) Ejecuta MOSS-TTS: texto a voz multilingüe ultraligero de 100M parámetros, centrado en CPU, de OpenMOSS (MOSI.AI + Fudan NLP) en Clore.ai. MOSS-TTS es una familia de generación de voz de código abierto de **OpenMOSS** (Institución de Innovación de Shanghái, en colaboración con **Fudan NLP** y **MOSI.AI**, dirigida por el Prof. Xipeng Qiu). El modelo insignia **MOSS-TTS-Nano** es solo **100M parámetros**, se ejecuta en tiempo real en una **CPU de 4 núcleos sin GPU**, genera **estéreo de 48 kHz**, y admite **20 idiomas** con clonación de voz zero-shot. La familia completa escala hasta 8B para diálogo entre múltiples hablantes, diseño de voz y generación de efectos de sonido. {% hint style="info" %} **Publicado:** 10 de abril de 2026 (Nano) · compilación ONNX para CPU 17 de abril de 2026 · **Licencia:** Apache 2.0 {% endhint %} Si Kokoro domina el nicho de inglés occidental de 82M parámetros, MOSS-TTS-Nano domina el **nicho multilingüe centrado en CPU** : la misma filosofía de modelo pequeño, pero con estéreo de 48 kHz, 20 idiomas, clonación de voz y una ruta ONNX/GGUF sin Torch. Para cualquiera que quiera desplegar TTS sin pagar por una GPU, este es el modelo. ### Familia MOSS-TTS | Modelo | Tamaño | VRAM | Ideal para | | ------------------------------ | --------------- | --------------------- | ------------------------------------------------------- | | **MOSS-TTS-Nano-100M** | 100M | 0 GB (CPU, 4 núcleos) | Tiempo real, edge, IVR, en el dispositivo | | **MOSS-TTS-Nano-100M-ONNX** | 100M | 0 GB (CPU) | serving de producción sin Torch | | **MOSS-TTS-GGUF** | 100M (Q4\_K\_M) | 0 GB (CPU) | despliegues estilo llama.cpp | | **MOSS-TTS-Local-Transformer** | 1.7B | 4 GB | GPU ligera, alta calidad objetiva | | **MOSS-TTS-Realtime** | 1.7B | 4 GB | agentes de voz con múltiples turnos, 180 ms TTFB | | **MOSS-VoiceGenerator** | 1.7B | 4 GB | Diseño de voz a partir de prompts de texto | | **MOSS-TTSD-v1.0** | 8B | 8 GB | Diálogo entre múltiples hablantes, pódcast largos | | **MOSS-SoundEffect** | 8B | 8 GB | Generación de efectos de sonido con control de duración | ### Especificaciones clave | Especificaciones | Valor | | -------------------------- | ------------------------------------------------------------------------------------------------------------------------------- | | **Desarrollador** | Equipo OpenMOSS · MOSI.AI · Laboratorio Fudan NLP | | **Arquitectura** | Autoregresivo (tokenizador de audio + LLM) | | **Frecuencia de muestreo** | 48 kHz, estéreo | | **Idiomas** | 20 (zh, en, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr, +1) | | **Clonación de voz** | Zero-shot a partir de una referencia de \~3 s | | **Transmisión** | Sí — decodificación por fragmentos en CPU | | **Licencia** | Apache 2.0 | | **HuggingFace** | [Equipo OpenMOSS](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) | ### ¿Por qué MOSS-TTS? * **Despliegue sin GPU** — Nano se ejecuta en 4 núcleos de CPU, sin CUDA ni Triton * **Salida estéreo de 48 kHz** — calidad de difusión, poco común en modelos de menos de 100M * **20 idiomas** — más cobertura que Kokoro (\~5) a un tamaño similar * **Clonación de voz zero-shot** a partir de audio de referencia de \~3 s * **Rutas ONNX/GGUF sin Torch** — distribúyelo con un binario de 200 MB * **La familia escala hasta** — mismo tokenizador/API desde Nano hasta TTSD de 8B * **Apache 2.0** — uso comercial, sin restricciones * **De investigación seria** — Fudan NLP + MOSI.AI, no es un proyecto de afición ## Requisitos | Componente | Mínimo (Nano, CPU) | Recomendado (Nano, CPU) | Familia completa (GPU) | | ---------- | --------------------------- | ----------------------- | ------------------------- | | CPU | 4 núcleos (x86\_64 / ARM64) | 8 núcleos | 8 núcleos | | RAM | 4 GB | 8 GB | 16 GB | | GPU | — (no requerido) | — (opcional) | RTX 3060 12 GB+ | | VRAM | 0 GB | 0 GB | 4–8 GB | | Disco | 1 GB | 2 GB | 10 GB (8B + dependencias) | | Python | 3.12 | 3.12 | 3.12 | {% hint style="success" %} **Consejo de Clore.ai:** Nano literalmente no necesita GPU. Si ya tienes una máquina de Clore para otros trabajos, TTS es gratis. Si *quieres* una GPU para rendimiento por lotes o para ejecutar las variantes de 1.7B/8B, una **RTX 3060 de 12 GB ($0.03–0.07/h)** es excesivo. {% endhint %} ## Opción A — instalación con Python + inferencia rápida ```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 . # Si pynini falla en pip, usa conda-forge: conda install -c conda-forge pynini=2.1.6.post1 -y ``` Inferencia a partir del audio de referencia + texto objetivo: ```bash python infer.py \ --prompt-audio-path assets/audio/en_1.wav \ --text "Bienvenido a Clore.ai — el mercado descentralizado de GPU." # Salida: generated_audio/infer_output.wav (48 kHz estéreo) ``` O mediante el punto de entrada CLI: ```bash moss-tts-nano generate \ --prompt-speech ref.wav \ --text "Hola desde MOSS-TTS Nano ejecutándose en CPU." ``` Demo web (Gradio): ```bash python app.py # → http://127.0.0.1:18083 ``` ## Opción B — Docker (CPU y GPU) **Solo CPU** (Nano, imagen de \~1 GB): ```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 ``` **Variante GPU** (para 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" ``` ## Opción C — clonación de voz zero-shot (referencia de 3 s) MOSS-TTS-Nano clona una voz a partir de un clip corto de referencia y gestiona la síntesis de formato largo mediante fragmentación automática. ```python from moss_tts_nano import MossTTSNano import soundfile as sf model = MossTTSNano.from_pretrained("OpenMOSS-Team/MOSS-TTS-Nano-100M") # Clona la voz a partir de cualquier clip limpio de 3–10 s audio, sr = model.synthesize( text="Esta es mi voz clonada narrando un capítulo de audiolibro de Clore.ai.", prompt_audio_path="speaker_ref_3s.wav", language="en", ) sf.write("cloned.wav", audio, sr) # 48 kHz estéreo ``` **Consejos de calidad (adaptados del manual de XTTS — se aplican los mismos principios):** * Usa 3–10 s de **audio limpio** (sin música de fondo ni reverberación de sala) * Haz coincidir el idioma de la referencia y del texto objetivo cuando sea posible * Normaliza y recorta el silencio antes de pasar el audio (`librosa.effects.trim`) * Para una narración larga y consistente, reutiliza la misma referencia en todas las llamadas ## Opción D — GGUF en llama.cpp-audio / ONNX sin Torch Para equipos edge, backends móviles o cualquier lugar donde no quieras PyTorch: ```bash # Clona el repositorio principal con los extras sin Torch git clone https://github.com/OpenMOSS/MOSS-TTS.git cd MOSS-TTS pip install -e ".[llama-cpp-onnx]" # Descarga los pesos cuantizados GGUF (Q4_K_M) huggingface-cli download OpenMOSS-Team/MOSS-TTS-GGUF --local-dir weights/ # O compilación ONNX pura (sin Torch en absoluto) huggingface-cli download OpenMOSS-Team/MOSS-TTS-Nano-100M-ONNX --local-dir weights-onnx/ ``` Esta ruta funciona con herramientas compatibles con llama.cpp — excelente para Raspberry Pi, Android o funciones sin servidor donde importa un binario de 200 MB. ## Recomendaciones de GPU para Clore.ai **No necesitas GPU para Nano.** Ese es precisamente el punto. Pero si quieres generar por lotes o ejecutar los hermanos mayores: | GPU | VRAM | Cabe en | Precio en Clore (aprox.) | | ---------------------- | ----- | ------------------------------------------- | ------------------------ | | **Instancia solo CPU** | — | Nano, Nano-ONNX, GGUF | desde **$0.01/h** | | RTX 3060 12GB | 12 GB | Nano + Local-Transformer + Realtime | desde $0.03–0.07/h | | RTX 3090 24GB | 24 GB | TTSD-v1.0 completo (8B), servicio por lotes | desde $0.07–0.21/h | | RTX 4090 24GB | 24 GB | TTSD + SoundEffect concurrente | desde $0.14–0.42/h | {% hint style="success" %} Para el 90% de las cargas de trabajo TTS de producción — agentes de voz, IVR, narración — una **máquina Clore.ai solo CPU es literalmente el despliegue viable más barato**. Arréndala, ejecuta MOSS-TTS-Nano y olvídate de las facturas de GPU. {% endhint %} ## Casos de uso * **Audiolibros** — narración de formato largo con voz clonada consistente, fragmentación automática * **Agentes de voz** — TTFB de menos de un segundo en la variante Realtime para IA conversacional * **IVR / sistemas telefónicos** — despliegue solo CPU, 48 kHz estéreo, 20 idiomas * **NPCs de juegos** — lo bastante ligero para integrarlo dentro de un cliente de juego, diseño de voz por personaje * **Doblaje** — clonación multilingüe para canalizaciones de localización * **Generación de pódcast** — MOSS-TTSD-v1.0 maneja de forma nativa el diálogo entre múltiples hablantes * **Efectos de sonido** — MOSS-SoundEffect añade FX con duración controlada al flujo ## Puntos de referencia / calidad * **MOSS-TTSD-v1.0** superó a Doubao y Gemini 2.5-pro en evaluaciones subjetivas de diálogo entre múltiples hablantes * **Nano** ofrece un factor en tiempo real **< 1.0 en 4 núcleos de CPU** (es decir, más rápido que la reproducción) * **Realtime** la variante informa **\~180 ms de tiempo hasta el primer byte** para uso conversacional * La salida estéreo de 48 kHz supone una mejora clara frente a competidores mono de 24 kHz en este presupuesto de parámetros ## Solución de problemas | Problema | Solución | | ------------------------------------------ | ------------------------------------------------------------------------------------------------------------ | | `pynini` la instalación falla vía pip | `conda install -c conda-forge pynini=2.1.6.post1 -y` luego reinstala WeTextProcessing | | Audio entrecortado en CPU | Asegúrate de tener 4+ núcleos físicos; desactiva la sobreasignación SMT/HT; usa la compilación ONNX | | La voz clonada suena rara | La referencia debe ser de 3–10 s, limpia, de un solo hablante y con idioma coincidente | | OOM en TTSD-v1.0 | Usa FP16 (`model.half()`) o baja al Local-Transformer de 1.7B | | La descarga del modelo se detiene | Establece `HF_HUB_ENABLE_HF_TRANSFER=1` y vuelve a intentarlo | | Primera ejecución lenta | La primera inferencia compila kernels / descarga \~400 MB de pesos — las ejecuciones posteriores son rápidas | | Torch entra en conflicto con otros modelos | Usa el `[llama-cpp-onnx]` extras para un entorno sin Torch | ## Siguientes pasos * [Kokoro TTS](/guides/guides_v2-es/audio-y-voz/kokoro-tts.md) — la alternativa en inglés primero de 82M si no necesitas multilingüe * [Voxtral TTS](/guides/guides_v2-es/audio-y-voz/voxtral-tts.md) — modelo Mistral de 4B, 9 idiomas, requiere GPU pero con mayor techo * [XTTS (Coqui)](/guides/guides_v2-es/audio-y-voz/xtts-coqui.md) — clonación de voz en 17 idiomas, solo GPU, más grande * [Whisper Transcription](/guides/guides_v2-es/audio-y-voz/whisper-transcription.md) — combina MOSS-TTS con Whisper para flujos de voz completos * [Alquila una GPU (o CPU) en Clore.ai Marketplace](https://clore.ai/marketplace) *** *Última actualización: 20 de abril de 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-es/audio-y-voz/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.