> 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-hi/audio-and-voice/moss-tts.md). # 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 पैरामीटर**है, 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। {% hint style="info" %} **जारी किया गया:** 10 अप्रैल, 2026 (Nano) · ONNX CPU बिल्ड 17 अप्रैल, 2026 · **लाइसेंस:** Apache 2.0 {% endhint %} 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** | 8B | 8 GB | बहु-प्रवक्ता संवाद, लंबे पॉडकास्ट | | **MOSS-SoundEffect** | 8B | 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](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) | ### 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 | 8 कोर | | RAM | 4 GB | 8 GB | 16 GB | | GPU | — (आवश्यक नहीं) | — (वैकल्पिक) | RTX 3060 12 GB+ | | VRAM | 0 जीबी | 0 जीबी | 4–8 जीबी | | डिस्क | 1 जीबी | 2 जीबी | 10 जीबी (8B + deps) | | Python | 3.12 | 3.12 | 3.12 | {% hint style="success" %} **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। {% endhint %} ## विकल्प A — Python इंस्टॉल + त्वरित inference ```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 . # 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: ```bash 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: ```bash moss-tts-nano generate \ --prompt-speech ref.wav \ --text "CPU पर चल रहे MOSS-TTS Nano से नमस्ते।" ``` वेब डेमो (Gradio): ```bash python app.py # → http://127.0.0.1:18083 ``` ## विकल्प B — Docker (CPU और GPU) **केवल CPU** (Nano, लगभग 1 GB इमेज): ```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 वैरिएंट** (Realtime / TTSD / SoundEffect के लिए): ```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" ``` ## 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। ```python 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: ```bash # 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 | {% hint style="success" %} 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। {% endhint %} ## 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](/guides/guides_v2-hi/audio-and-voice/kokoro-tts.md) — 82M अंग्रेज़ी-प्रथम विकल्प यदि आपको बहुभाषी की आवश्यकता नहीं है * [Voxtral TTS](/guides/guides_v2-hi/audio-and-voice/voxtral-tts.md) — 4B Mistral मॉडल, 9 भाषाएँ, GPU आवश्यक लेकिन उच्च क्षमता * [XTTS (Coqui)](/guides/guides_v2-hi/audio-and-voice/xtts-coqui.md) — 17-भाषा वॉयस क्लोनिंग, केवल GPU, बड़ा * [Whisper प्रतिलेखन](/guides/guides_v2-hi/audio-and-voice/whisper-transcription.md) — पूर्ण वॉयस पाइपलाइनों के लिए MOSS-TTS को Whisper के साथ जोड़ें * [Clore.ai Marketplace पर GPU (या CPU) किराए पर लें](https://clore.ai/marketplace) *** *अंतिम अद्यतन: 20 अप्रैल, 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-hi/audio-and-voice/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.