MOSS-TTS (केवल CPU, 100M)

Clore.ai पर OpenMOSS (MOSI.AI + Fudan NLP) द्वारा MOSS-TTS — अल्ट्रा-लाइटवेट 100M-पैरामीटर CPU-प्रथम बहुभाषी टेक्स्ट-टू-स्पीच — चलाएँ।

MOSS-TTS OpenMOSS का एक ओपन-सोर्स स्पीच जेनरेशन परिवार है OpenMOSS (शंघाई इनोवेशन इंस्टीट्यूशन, के सहयोग से Fudan NLP और MOSI.AI， प्रो. शिपेंग क्यूई के नेतृत्व में)। प्रमुख MOSS-TTS-Nano केवल 100M पैरामीटरहै, और वास्तविक समय में चलता है एक 4-कोर CPU पर, बिना GPU के， आउटपुट देता है 48 kHz स्टीरियो， और समर्थन करता है 20 भाषाएँ ज़ीरो-शॉट वॉयस क्लोनिंग के साथ। पूरी श्रृंखला बहु-प्रवक्ता संवाद, वॉयस डिज़ाइन, और साउंड-इफ़ेक्ट जेनरेशन के लिए 8B तक स्केल होती है।

जारी किया गया: 10 अप्रैल, 2026 (Nano) · ONNX CPU बिल्ड 17 अप्रैल, 2026 · लाइसेंस: Apache 2.0

यदि Kokoro 82M-पैरामीटर वाले पश्चिमी-अंग्रेज़ी निच का मालिक है, तो MOSS-TTS-Nano का मालिक है CPU-प्रथम बहुभाषी निच: वही छोटे-मॉडल की सोच, लेकिन स्टीरियो 48 kHz, 20 भाषाएँ, वॉयस क्लोनिंग, और torch-रहित ONNX/GGUF पथ के साथ। जो कोई GPU के लिए भुगतान किए बिना TTS तैनात करना चाहता है — उसके लिए यही मॉडल है।

MOSS-TTS परिवार

मॉडल

आकार

VRAM

किसके लिए सर्वोत्तम

MOSS-TTS-Nano-100M

100M

0 जीबी (CPU, 4 कोर)

रियल-टाइम, एज, IVR, डिवाइस पर

MOSS-TTS-Nano-100M-ONNX

100M

0 जीबी (CPU)

Torch-रहित प्रोडक्शन सर्विंग

MOSS-TTS-GGUF

100M (Q4_K_M)

0 जीबी (CPU)

llama.cpp-शैली की तैनातियाँ

MOSS-TTS-Local-Transformer

1.7B

4 GB

हल्का GPU, मजबूत वस्तुनिष्ठ गुणवत्ता

MOSS-TTS-Realtime

1.7B

4 GB

मल्टी-टर्न वॉयस एजेंट, 180 ms TTFB

MOSS-VoiceGenerator

1.7B

4 GB

टेक्स्ट प्रॉम्प्ट से वॉयस डिज़ाइन

MOSS-TTSD-v1.0

8 GB

बहु-प्रवक्ता संवाद, लंबे पॉडकास्ट

MOSS-SoundEffect

8 GB

अवधि नियंत्रण के साथ साउंड इफ़ेक्ट जेनरेशन

मुख्य विनिर्देश

विशेष विवरण

मान

डेवलपर

OpenMOSS टीम · MOSI.AI · Fudan NLP लैब

आर्किटेक्चर

ऑटोरेग्रेसीव (ऑडियो टोकनाइज़र + LLM)

सैंपल रेट

48 kHz, स्टीरियो

भाषाएँ

20 (zh, en, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr, +1)

वॉइस क्लोनिंग

लगभग 3s के संदर्भ से ज़ीरो-शॉट

स्ट्रीमिंग

हाँ — CPU पर चंक-आधारित डिकोड

लाइसेंस

Apache 2.0

HuggingFace

OpenMOSS-Team

GitHub

OpenMOSS/MOSS-TTS-Nano · OpenMOSS/MOSS-TTS

MOSS-TTS क्यों?

बिना GPU तैनाती — Nano 4 CPU कोर पर चलता है, CUDA नहीं, Triton नहीं
48 kHz स्टीरियो आउटपुट — प्रसारण-स्तरीय, जो 100M से कम पैरामीटर वाले मॉडलों में दुर्लभ है
20 भाषाएँ — Kokoro (~5) की तुलना में समान आकार पर अधिक कवरेज
ज़ीरो-शॉट वॉइस क्लोनिंग लगभग 3s के संदर्भ ऑडियो से
Torch-रहित ONNX/GGUF पथ — 200 MB बाइनरी के साथ शिप करें
परिवार स्केल करता है — Nano से 8B TTSD तक वही tokenizer/API
Apache 2.0 — व्यावसायिक उपयोग, बिना किसी बंधन के
गंभीर शोध से — Fudan NLP + MOSI.AI, कोई शौकिया प्रोजेक्ट नहीं

आवश्यकताएँ

घटक

न्यूनतम (Nano, CPU)

अनुशंसित (Nano, CPU)

पूरा परिवार (GPU)

CPU

4 कोर (x86_64 / ARM64)

8 कोर

RAM

4 GB

8 GB

16 GB

GPU

— (आवश्यक नहीं)

— (वैकल्पिक)

RTX 3060 12 GB+

VRAM

0 जीबी

4–8 जीबी

डिस्क

1 जीबी

2 जीबी

10 जीबी (8B + deps)

Python

3.12

Clore.ai टिप: Nano को सचमुच GPU की ज़रूरत नहीं है। यदि आपके पास पहले से अन्य काम के लिए Clore box है, तो TTS मुफ़्त है। यदि आप चाहते हैं बैच थ्रूपुट के लिए GPU या 1.7B/8B वैरिएंट चलाने के लिए, एक RTX 3060 12GB ($0.03–0.07/घंटा) ज़रूरत से ज़्यादा है।

विकल्प A — Python इंस्टॉल + त्वरित inference

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 .

# यदि pip पर pynini विफल हो, तो conda-forge का उपयोग करें:
conda install -c conda-forge pynini=2.1.6.post1 -y

संदर्भ ऑडियो + लक्ष्य टेक्स्ट से inference:

python infer.py \
  --prompt-audio-path assets/audio/en_1.wav \
  --text "Clore.ai में आपका स्वागत है — विकेन्द्रीकृत GPU मार्केटप्लेस।"
# आउटपुट: generated_audio/infer_output.wav  (48 kHz स्टीरियो)

या CLI एंट्रीपॉइंट के माध्यम से:

moss-tts-nano generate \
  --prompt-speech ref.wav \
  --text "CPU पर चल रहे MOSS-TTS Nano से नमस्ते।"

वेब डेमो (Gradio):

python app.py
# → http://127.0.0.1:18083

विकल्प B — Docker (CPU और GPU)

केवल CPU (Nano, लगभग 1 GB इमेज):

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"]

docker build -t moss-tts-nano-cpu .
docker run --rm -p 18083:18083 moss-tts-nano-cpu

GPU वैरिएंट (Realtime / TTSD / SoundEffect के लिए):

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"

विकल्प C — ज़ीरो-शॉट वॉयस क्लोनिंग (3s संदर्भ)

MOSS-TTS-Nano एक छोटे संदर्भ क्लिप से वॉयस क्लोन करता है और स्वचालित चंकिंग के माध्यम से लंबी-फ़ॉर्म सिंथेसिस को संभालता है।

from moss_tts_nano import MossTTSNano
import soundfile as sf

model = MossTTSNano.from_pretrained("OpenMOSS-Team/MOSS-TTS-Nano-100M")

# किसी भी 3–10s साफ़ क्लिप से वॉयस क्लोन करें
audio, sr = model.synthesize(
    text="यह मेरी क्लोन की गई आवाज़ है, जो Clore.ai ऑडियोबुक अध्याय का वर्णन कर रही है।",
    prompt_audio_path="speaker_ref_3s.wav",
    language="en",
)
sf.write("cloned.wav", audio, sr)  # 48 kHz स्टीरियो

गुणवत्ता सुझाव (XTTS प्लेबुक से पोर्ट किए गए — वही सिद्धांत लागू होते हैं):

के 3–10s का उपयोग करें साफ़ संदर्भ (कोई बैकग्राउंड म्यूज़िक नहीं, कोई कमरे की प्रतिध्वनि नहीं)
जहाँ संभव हो, संदर्भ और लक्ष्य टेक्स्ट की भाषा मिलाएँ
पास करने से पहले साइलेंस को सामान्य करें और ट्रिम करें (librosa.effects.trim)
सुसंगत लंबे-फ़ॉर्म वर्णन के लिए, कॉल्स के बीच वही संदर्भ पुनः उपयोग करें

विकल्प D — llama.cpp-audio / torch-रहित ONNX पर GGUF

एज बॉक्स, मोबाइल बैकएंड, या जहाँ आप PyTorch नहीं चाहते:

# torch-रहित अतिरिक्त पैकेजों के साथ मुख्य repo क्लोन करें
git clone https://github.com/OpenMOSS/MOSS-TTS.git
cd MOSS-TTS
pip install -e ".[llama-cpp-onnx]"

# GGUF क्वांटाइज़्ड वेट्स (Q4_K_M) खींचें
huggingface-cli download OpenMOSS-Team/MOSS-TTS-GGUF --local-dir weights/

# या शुद्ध ONNX बिल्ड (बिल्कुल torch नहीं)
huggingface-cli download OpenMOSS-Team/MOSS-TTS-Nano-100M-ONNX --local-dir weights-onnx/

यह पथ llama.cpp-संगत टूलिंग पर चलता है — Raspberry Pi, Android, या serverless functions के लिए बेहतरीन, जहाँ 200 MB बाइनरी मायने रखती है।

Clore.ai GPU अनुशंसाएँ

Nano के लिए आपको GPU की आवश्यकता नहीं है। यही पूरा उद्देश्य है। लेकिन यदि आप बैच में जेनरेट करना चाहते हैं या बड़े सिब्लिंग्स चलाना चाहते हैं:

GPU

VRAM

फिट बैठता है

Clore कीमत (लगभग)

केवल CPU इंस्टेंस

—

Nano, Nano-ONNX, GGUF

से $0.01/घंटा

RTX 3060 12GB

12 GB

Nano + Local-Transformer + Realtime

$0.03–0.07/घंटा से

RTX 3090 24GB

24 GB

पूर्ण TTSD-v1.0 (8B), बैच सर्विंग

$0.07–0.21/घंटा से

RTX 4090 24GB

24 GB

TTSD + SoundEffect साथ-साथ

$0.14–0.42/घंटा से

90% प्रोडक्शन TTS वर्कलोड — वॉयस एजेंट, IVR, नैरेशन — के लिए एक CPU-केवल Clore.ai बॉक्स सचमुच सबसे सस्ता व्यावहारिक तैनाती विकल्प है। इसे किराए पर लें, MOSS-TTS-Nano चलाएँ, GPU बिलों को भूल जाएँ।

उपयोग के मामले

ऑडियोबुक्स — सुसंगत क्लोन की गई आवाज़ के साथ लंबे-फ़ॉर्म नैरेशन, स्वचालित चंकिंग
वॉयस एजेंट — संवादात्मक AI के लिए Realtime वैरिएंट पर सब-सेकंड TTFB
IVR / फोन सिस्टम — CPU-केवल तैनाती, 48 kHz स्टीरियो, 20 भाषाएँ
गेम NPCs — गेम क्लाइंट के भीतर शिप करने के लिए पर्याप्त हल्का, प्रत्येक चरित्र के लिए वॉयस डिज़ाइन
डबिंग — स्थानीयकरण पाइपलाइनों के लिए बहुभाषी क्लोनिंग
पॉडकास्ट जेनरेशन — MOSS-TTSD-v1.0 मूल रूप से बहु-प्रवक्ता संवाद संभालता है
साउंड इफ़ेक्ट — MOSS-SoundEffect पाइपलाइन में अवधि-नियंत्रित FX जोड़ता है

बेंचमार्क / गुणवत्ता

MOSS-TTSD-v1.0 व्यक्तिपरक बहु-प्रवक्ता संवाद मूल्यांकनों में Doubao और Gemini 2.5-pro से बेहतर प्रदर्शन किया
Nano वास्तविक-समय कारक प्रदान करता है 4 CPU कोर पर < 1.0 (अर्थात प्लेबैक से तेज़)
Realtime वैरिएंट रिपोर्ट करता है ~180 ms time-to-first-byte संवादात्मक उपयोग के लिए
स्टीरियो 48 kHz आउटपुट इस पैरामीटर बजट पर 24 kHz मोनो प्रतिस्पर्धियों की तुलना में स्पष्ट उन्नति है

समस्या निवारण

समस्या

समाधान

pynini pip के माध्यम से इंस्टॉल विफल होता है

conda install -c conda-forge pynini=2.1.6.post1 -y तो WeTextProcessing को फिर से इंस्टॉल करें

CPU पर ऑडियो में रुकावट

4+ भौतिक कोर सुनिश्चित करें; SMT/HT ओवरसब्सक्रिप्शन अक्षम करें; ONNX बिल्ड का उपयोग करें

क्लोन की गई आवाज़ सही नहीं लगती

संदर्भ 3–10s, साफ़, एकल-प्रवक्ता, भाषा-मिलान वाला होना चाहिए

TTSD-v1.0 पर OOM

FP16 का उपयोग करें (model.half()) या 1.7B Local-Transformer पर आ जाएँ

मॉडल डाउनलोड अटक जाता है

सेट करें HF_HUB_ENABLE_HF_TRANSFER=1 और पुनः प्रयास करें

धीमी पहली रन

पहला inference kernels को compile करता है / लगभग 400 MB weights डाउनलोड करता है — बाद के रन तेज़ होते हैं

Torch अन्य मॉडलों के साथ संघर्ष करता है

का उपयोग करें [llama-cpp-onnx] torch-रहित वातावरण के लिए extras

अगले चरण

Kokoro TTS — 82M अंग्रेज़ी-प्रथम विकल्प यदि आपको बहुभाषी की आवश्यकता नहीं है
Voxtral TTS — 4B Mistral मॉडल, 9 भाषाएँ, GPU आवश्यक लेकिन उच्च क्षमता
XTTS (Coqui) — 17-भाषा वॉयस क्लोनिंग, केवल GPU, बड़ा
Whisper प्रतिलेखन — पूर्ण वॉयस पाइपलाइनों के लिए MOSS-TTS को Whisper के साथ जोड़ें
Clore.ai Marketplace पर GPU (या CPU) किराए पर लें

अंतिम अद्यतन: 20 अप्रैल, 2026

पिछलाVoxtral TTS

अगलाअवलोकन

अंतिम अपडेट 13 दिन पहले

क्या यह उपयोगी था?