> 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-fr/audio-et-voix/moss-tts.md). # MOSS-TTS (CPU uniquement, 100M) Exécutez MOSS-TTS — une synthèse vocale multilingue ultra-légère de 100M de paramètres, d'abord CPU, d'OpenMOSS (MOSI.AI + Fudan NLP) sur Clore.ai. MOSS-TTS est une famille open source de génération vocale de **OpenMOSS** (Shanghai Innovation Institution, en collaboration avec **Fudan NLP** et **MOSI.AI**, dirigée par le professeur Xipeng Qiu). Le fleuron **MOSS-TTS-Nano** n’est que **100 M de paramètres**, s’exécute en temps réel sur un **CPU à 4 cœurs sans GPU**, produit **stéréo 48 kHz**, et prend en charge **20 langues** avec clonage de voix zero-shot. La famille complète monte jusqu’à 8B pour les dialogues multi-locuteurs, la conception de voix et la génération d’effets sonores. {% hint style="info" %} **Publié :** 10 avril 2026 (Nano) · build ONNX CPU 17 avril 2026 · **Licence :** Apache 2.0 {% endhint %} Si Kokoro détient la niche occidentale-anglaise de 82 M de paramètres, MOSS-TTS-Nano détient la **niche multilingue orientée CPU** : même philosophie de petit modèle, mais stéréo 48 kHz, 20 langues, clonage vocal et un chemin ONNX/GGUF sans Torch. Pour tous ceux qui veulent déployer la TTS sans payer pour un GPU — c’est le modèle qu’il faut. ### Famille MOSS-TTS | Modèle | Taille | VRAM | Idéal pour | | ------------------------------ | ---------------- | ------------------- | ----------------------------------------------------- | | **MOSS-TTS-Nano-100M** | 100 M | 0 Go (CPU, 4 cœurs) | Temps réel, périphérie, IVR, sur l’appareil | | **MOSS-TTS-Nano-100M-ONNX** | 100 M | 0 Go (CPU) | Service de production sans Torch | | **MOSS-TTS-GGUF** | 100 M (Q4\_K\_M) | 0 Go (CPU) | déploiements de type llama.cpp | | **MOSS-TTS-Local-Transformer** | 1,7B | 4 Go | GPU léger, forte qualité objective | | **MOSS-TTS-Realtime** | 1,7B | 4 Go | Agents vocaux à plusieurs tours, TTFB de 180 ms | | **MOSS-VoiceGenerator** | 1,7B | 4 Go | Conception de voix à partir d’invites textuelles | | **MOSS-TTSD-v1.0** | 8B | 8 Go | Dialogue multi-locuteurs, longs podcasts | | **MOSS-SoundEffect** | 8B | 8 Go | Génération d’effets sonores avec contrôle de la durée | ### Spécifications clés | Spécification | Valeur | | -------------------------- | ------------------------------------------------------------------------------------------------------------------------------- | | **Développeur** | Équipe OpenMOSS · MOSI.AI · Fudan NLP Lab | | **Architecture** | Autoregressif (Audio Tokenizer + LLM) | | **Taux d’échantillonnage** | 48 kHz, stéréo | | **Langues** | 20 (zh, en, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr, +1) | | **Clonage de voix** | Zero-shot à partir d’une référence d’environ 3 s | | **Flux continu** | Oui — décodage par blocs sur CPU | | **Licence** | 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) | ### Pourquoi MOSS-TTS ? * **Déploiement sans GPU** — Nano s’exécute sur 4 cœurs CPU, sans CUDA ni Triton * **Sortie stéréo 48 kHz** — qualité de diffusion, rare dans les modèles de moins de 100 M * **20 langues** — couverture plus large que Kokoro (\~5) à taille comparable * **Clonage vocal zéro-shot** à partir d’une référence audio d’environ 3 s * **Chemins ONNX/GGUF sans Torch** — déployez avec un binaire de 200 Mo * **La famille passe à l’échelle** — même tokenizer/API de Nano à 8B TTSD * **Apache 2.0** — usage commercial, sans contraintes * **Issu d’une vraie recherche** — Fudan NLP + MOSI.AI, pas un projet amateur ## Exigences | Composant | Minimum (Nano, CPU) | Recommandé (Nano, CPU) | Famille complète (GPU) | | --------- | ------------------------- | ---------------------- | ------------------------ | | CPU | 4 cœurs (x86\_64 / ARM64) | 8 cœurs | 8 cœurs | | RAM | 4 Go | 8 Go | 16 Go | | GPU | — (non requis) | — (facultatif) | RTX 3060 12 Go+ | | VRAM | 0 Go | 0 Go | 4–8 Go | | Disque | 1 Go | 2 Go | 10 Go (8B + dépendances) | | Python | 3.12 | 3.12 | 3.12 | {% hint style="success" %} **Conseil Clore.ai :** Nano n’a littéralement pas besoin de GPU. Si vous avez déjà une machine Clore pour d’autres tâches, la TTS est gratuite. Si vous *voulez* un GPU pour du traitement par lots ou pour exécuter les variantes 1.7B/8B, un **RTX 3060 12 Go (0,03–0,07 $/h)** est excessif. {% endhint %} ## Option A — installation Python + inférence rapide ```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 casse avec pip, utilisez conda-forge : conda install -c conda-forge pynini=2.1.6.post1 -y ``` Inférence à partir de l’audio de référence + texte cible : ```bash python infer.py \ --prompt-audio-path assets/audio/en_1.wav \ --text "Bienvenue sur Clore.ai — la place de marché GPU décentralisée." # Sortie : generated_audio/infer_output.wav (stéréo 48 kHz) ``` Ou via le point d’entrée CLI : ```bash moss-tts-nano generate \ --prompt-speech ref.wav \ --text "Bonjour depuis MOSS-TTS Nano exécuté sur CPU." ``` Démo web (Gradio) : ```bash python app.py # → http://127.0.0.1:18083 ``` ## Option B — Docker (CPU et GPU) **CPU uniquement** (Nano, image d’environ 1 Go) : ```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** (pour 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 — clonage vocal zero-shot (référence de 3 s) MOSS-TTS-Nano clone une voix à partir d’un court extrait de référence et gère la synthèse longue via un découpage automatique. ```python from moss_tts_nano import MossTTSNano import soundfile as sf model = MossTTSNano.from_pretrained("OpenMOSS-Team/MOSS-TTS-Nano-100M") # Cloner la voix à partir de n’importe quel extrait propre de 3 à 10 s audio, sr = model.synthesize( text="This is my cloned voice narrating a Clore.ai audiobook chapter.", prompt_audio_path="speaker_ref_3s.wav", language="en", ) sf.write("cloned.wav", audio, sr) # stéréo 48 kHz ``` **Conseils de qualité (portés du guide XTTS — les mêmes principes s’appliquent) :** * Utilisez 3 à 10 s de **référence propre** (pas de musique de fond, pas de réverbération de pièce) * Faites correspondre la langue de la référence et du texte cible lorsque c’est possible * Normalisez et coupez le silence avant l’entrée (`librosa.effects.trim`) * Pour une narration longue et cohérente, réutilisez la même référence à travers les appels ## Option D — GGUF sur llama.cpp-audio / ONNX sans Torch Pour les machines edge, les backends mobiles, ou partout où vous ne voulez pas de PyTorch : ```bash # Cloner le dépôt principal avec les extras sans Torch git clone https://github.com/OpenMOSS/MOSS-TTS.git cd MOSS-TTS pip install -e ".[llama-cpp-onnx]" # Récupérer les poids quantifiés GGUF (Q4_K_M) huggingface-cli download OpenMOSS-Team/MOSS-TTS-GGUF --local-dir weights/ # Ou build ONNX pur (sans Torch du tout) huggingface-cli download OpenMOSS-Team/MOSS-TTS-Nano-100M-ONNX --local-dir weights-onnx/ ``` Ce chemin fonctionne avec des outils compatibles llama.cpp — idéal pour Raspberry Pi, Android ou des fonctions serverless où un binaire de 200 Mo compte. ## Recommandations GPU Clore.ai **Vous n’avez pas besoin d’un GPU pour Nano.** C’est tout l’intérêt. Mais si vous voulez générer par lots ou exécuter les frères et sœurs plus grands : | GPU | VRAM | Convient à | Prix Clore (approx.) | | --------------------------- | ----- | ---------------------------------------- | ------------------------- | | **Instance CPU uniquement** | — | Nano, Nano-ONNX, GGUF | à partir de **0,01 $/h** | | RTX 3060 12 Go | 12 Go | Nano + Local-Transformer + Realtime | à partir de 0,03–0,07 $/h | | RTX 3090 24 Go | 24 Go | TTSD-v1.0 complet (8B), service par lots | à partir de 0,07–0,21 $/h | | RTX 4090 24 Go | 24 Go | TTSD + SoundEffect en parallèle | à partir de 0,14–0,42 $/h | {% hint style="success" %} Pour 90 % des charges TTS de production — agents vocaux, IVR, narration — une **machine Clore.ai CPU-only est littéralement le déploiement viable le moins cher**. Louez-la, lancez MOSS-TTS-Nano, oubliez les factures GPU. {% endhint %} ## Cas d’usage * **Livres audio** — narration longue avec voix clonée cohérente, découpage automatique * **Agents vocaux** — TTFB inférieur à la seconde sur la variante Realtime pour l’IA conversationnelle * **IVR / systèmes téléphoniques** — déploiement CPU-only, stéréo 48 kHz, 20 langues * **PNJ de jeu** — assez léger pour être intégré dans un client de jeu, conception de voix par personnage * **Doublage** — clonage multilingue pour les pipelines de localisation * **Génération de podcasts** — MOSS-TTSD-v1.0 gère nativement les dialogues multi-locuteurs * **Effets sonores** — MOSS-SoundEffect ajoute des effets contrôlés par la durée au pipeline ## Benchmarks / Qualité * **MOSS-TTSD-v1.0** a surpassé Doubao et Gemini 2.5-pro sur des évaluations subjectives de dialogues multi-locuteurs * **Nano** atteint un facteur temps réel **< 1,0 sur 4 cœurs CPU** (c.-à-d. plus rapide que la lecture) * **Realtime** la variante rapporte **un time-to-first-byte d’environ 180 ms** pour un usage conversationnel * La sortie stéréo 48 kHz représente une nette amélioration par rapport aux concurrents mono 24 kHz à ce budget de paramètres ## Dépannage | Problème | Solution | | -------------------------------------------- | ---------------------------------------------------------------------------------------------------------------- | | `pynini` l’installation échoue via pip | `conda install -c conda-forge pynini=2.1.6.post1 -y` puis réinstallez WeTextProcessing | | Audio saccadé sur CPU | Assurez-vous d’avoir 4 cœurs physiques ou plus ; désactivez la sursouscription SMT/HT ; utilisez la build ONNX | | La voix clonée sonne mal | La référence doit durer 3 à 10 s, être propre, à locuteur unique, et correspondre à la langue | | OOM sur TTSD-v1.0 | Utilisez FP16 (`model.half()`) ou passez au Local-Transformer 1,7B | | Le téléchargement du modèle se bloque | Définissez `HF_HUB_ENABLE_HF_TRANSFER=1` et réessayez | | Premier lancement lent | La première inférence compile les kernels / télécharge \~400 Mo de poids — les exécutions suivantes sont rapides | | Torch entre en conflit avec d’autres modèles | Utilisez le `[llama-cpp-onnx]` extras pour un environnement sans Torch | ## Étapes suivantes * [Kokoro TTS](/guides/guides_v2-fr/audio-et-voix/kokoro-tts.md) — l’alternative anglophone de 82 M si vous n’avez pas besoin de multilingue * [Voxtral TTS](/guides/guides_v2-fr/audio-et-voix/voxtral-tts.md) — modèle Mistral de 4B, 9 langues, nécessite un GPU mais a un plafond plus élevé * [XTTS (Coqui)](/guides/guides_v2-fr/audio-et-voix/xtts-coqui.md) — clonage vocal sur 17 langues, GPU uniquement, plus volumineux * [Whisper Transcription](/guides/guides_v2-fr/audio-et-voix/whisper-transcription.md) — associez MOSS-TTS à Whisper pour des pipelines vocaux complets * [Louez un GPU (ou un CPU) sur la place de marché Clore.ai](https://clore.ai/marketplace) *** *Dernière mise à jour : 20 avril 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-fr/audio-et-voix/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.