MOSS-TTS（仅 CPU，1 亿）

在 Clore.ai 上运行 MOSS-TTS——来自 OpenMOSS（MOSI.AI + 复旦 NLP）的超轻量级、CPU 优先的 1 亿参数多语言文字转语音模型。

MOSS-TTS 是一个开源语音生成系列，来自 OpenMOSS （上海创新机构，与 复旦 NLP 以及 MOSI.AI合作，由邱锡鹏教授领衔）。旗舰款 MOSS-TTS-Nano 仅有 1 亿参数，可在一台 4 核 CPU 且无需 GPU上实时运行，输出 48 kHz 立体声，并支持 20 种语言 的零样本声音克隆。整个系列可扩展到 80 亿参数，用于多说话人对话、声音设计和音效生成。

发布日期： 2026 年 4 月 10 日（Nano）· ONNX CPU 构建版 2026 年 4 月 17 日 · 许可证： Apache 2.0

如果 Kokoro 占据了 8200 万参数的西方英语细分市场，那么 MOSS-TTS-Nano 占据的是 以 CPU 为先的多语言 细分市场：同样的小模型理念，但支持立体声 48 kHz、20 种语言、声音克隆，以及无 PyTorch 的 ONNX/GGUF 路径。对于任何想要在不为 GPU 付费的情况下部署 TTS 的人来说——这就是那款模型。

MOSS-TTS 家族

模型	大小	显存	最适合
MOSS-TTS-Nano-100M	1 亿	0 GB（CPU，4 核）	实时、边缘、IVR、端侧
MOSS-TTS-Nano-100M-ONNX	1 亿	0 GB（CPU）	无 PyTorch 的生产级服务
MOSS-TTS-GGUF	1 亿（Q4_K_M）	0 GB（CPU）	llama.cpp 风格部署
MOSS-TTS-Local-Transformer	17 亿	4 GB	轻量级 GPU，较强的客观质量
MOSS-TTS-Realtime	17 亿	4 GB	多轮语音代理，180 ms 首字节时间
MOSS-VoiceGenerator	17 亿	4 GB	根据文本提示进行声音设计
MOSS-TTSD-v1.0	80 亿	8 GB	多说话人对话、长播客
MOSS-SoundEffect	80 亿	8 GB	可控时长的音效生成

关键规格

规格	数值
开发者	OpenMOSS 团队 · MOSI.AI · 复旦 NLP 实验室
架构	自回归（音频分词器 + LLM）
采样率	48 kHz，立体声
语言	20（zh、en、de、es、fr、ja、it、hu、ko、ru、fa、ar、pl、pt、cs、da、sv、el、tr、+1）
声音克隆	基于约 3 秒参考音频进行零样本
流式输出	是——在 CPU 上分块解码
许可证	Apache 2.0
HuggingFace	OpenMOSS-Team
GitHub	OpenMOSS/MOSS-TTS-Nano · OpenMOSS/MOSS-TTS

为什么选择 MOSS-TTS？

• 零 GPU 部署 — Nano 可在 4 个 CPU 核心上运行，无 CUDA、无 Triton

• 48 kHz 立体声输出 — 广播级音质，在 1 亿参数以下模型中很少见

• 20 种语言 — 在相近规模下，覆盖范围比 Kokoro（约 5 种）更广

• 零样本声音克隆 基于约 3 秒参考音频

• 无 PyTorch 的 ONNX/GGUF 路径 — 可随 200 MB 二进制文件一起发布

• 家族可扩展 — 从 Nano 到 80 亿参数 TTSD 使用同样的分词器/API

• Apache 2.0 — 商业可用，无额外限制

• 来自严肃研究 — 复旦 NLP + MOSI.AI，不是业余项目

需求

组件	最低配置（Nano，CPU）	推荐配置（Nano，CPU）	完整家族（GPU）
CPU	4 核（x86_64 / ARM64）	8 核	8 核
内存	4 GB	8 GB	16 GB
GPU	—（不需要）	—（可选）	RTX 3060 12 GB+
显存	0 GB	0 GB	4–8 GB
磁盘	1 GB	2 GB	10 GB（8B + 依赖）
Python	3.12	3.12	3.12

Clore.ai 提示： Nano 真的不需要 GPU。如果你本来就有一台 Clore 机器用于其他工作，那么 TTS 是免费的。如果你 想要 GPU 来做批量吞吐，或者运行更大的 1.7B/8B 版本， RTX 3060 12GB（$0.03–0.07/小时） 都算大材小用。

方案 A — Python 安装 + 快速推理

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 .

# 如果 pip 安装 pynini 失败，请使用 conda-forge：
conda install -c conda-forge pynini=2.1.6.post1 -y

基于参考音频 + 目标文本进行推理：

python infer.py \
  --prompt-audio-path assets/audio/en_1.wav \
  --text "欢迎来到 Clore.ai——去中心化 GPU 市场。"
# 输出：generated_audio/infer_output.wav（48 kHz 立体声）

或者通过 CLI 入口：

moss-tts-nano generate \
  --prompt-speech ref.wav \
  --text "来自在 CPU 上运行的 MOSS-TTS Nano 的问候。"

网页演示（Gradio）：

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

方案 B — Docker（CPU 和 GPU）

仅 CPU （Nano，约 1 GB 镜像）：

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 版本 （用于 Realtime / TTSD / SoundEffect）：

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"

方案 C — 零样本声音克隆（3 秒参考）

MOSS-TTS-Nano 可从一段简短的参考片段克隆声音，并通过自动分块处理长文本合成。

from moss_tts_nano import MossTTSNano
import soundfile as sf

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

# 从任意 3–10 秒的干净音频片段克隆声音
audio, sr = model.synthesize(
    text="这是我克隆的声音在朗读 Clore.ai 有声书章节。",
    prompt_audio_path="speaker_ref_3s.wav",
    language="en",
)
sf.write("cloned.wav", audio, sr)  # 48 kHz 立体声

质量提示（移植自 XTTS 操作手册——同样的原则适用）：

• 使用 3–10 秒 干净的 参考音频（无背景音乐、无房间混响）

• 尽可能使参考音频和目标文本的语言一致

• 在输入前进行归一化并裁剪静音（librosa.effects.trim)

• 为了保持长篇叙述的一致性，请在多次调用中重复使用同一个参考音频

方案 D — 在 llama.cpp-audio / 无 PyTorch ONNX 上使用 GGUF

对于边缘设备、移动端后端，或任何你不想使用 PyTorch 的场景：

# 克隆主仓库并包含无 PyTorch 扩展
git clone https://github.com/OpenMOSS/MOSS-TTS.git
cd MOSS-TTS
pip install -e ".[llama-cpp-onnx]"

# 拉取 GGUF 量化权重（Q4_K_M）
huggingface-cli download OpenMOSS-Team/MOSS-TTS-GGUF --local-dir weights/

# 或纯 ONNX 构建（完全不需要 torch）
huggingface-cli download OpenMOSS-Team/MOSS-TTS-Nano-100M-ONNX --local-dir weights-onnx/

这条路径可在与 llama.cpp 兼容的工具链上运行——非常适合 Raspberry Pi、Android，或 200 MB 二进制文件很重要的无服务器函数。

Clore.ai GPU 推荐

你不需要为 Nano 配备 GPU。 这正是重点。但如果你想批量生成，或者运行更大的兄弟模型：

GPU	显存	适用	Clore 价格（约）
仅 CPU 实例	—	Nano、Nano-ONNX、GGUF	起价 $0.01/小时
RTX 3060 12GB	12 GB	Nano + Local-Transformer + Realtime	起价 $0.03–0.07/小时
RTX 3090 24GB	24 GB	完整 TTSD-v1.0（8B），批量服务	起价 $0.07–0.21/小时
RTX 4090 24GB	24 GB	TTSD + SoundEffect 同时运行	起价 $0.14–0.42/小时

对于 90% 的生产级 TTS 工作负载——语音代理、IVR、旁白—— 一台仅 CPU 的 Clore.ai 机器实际上就是最低成本的可行部署。租一台，运行 MOSS-TTS-Nano，然后把 GPU 账单忘掉。

应用场景

• 有声书 — 使用一致的克隆声音进行长篇旁白，自动分块

• 语音代理 — Realtime 版本可实现亚秒级首字节时间，适用于对话式 AI

• IVR / 电话系统 — 仅 CPU 部署，48 kHz 立体声，20 种语言

• 游戏 NPC — 轻量到可以直接随游戏客户端一起发布，按角色进行声音设计

• 配音 — 多语言克隆，用于本地化流水线

• 播客生成 — MOSS-TTSD-v1.0 原生支持多说话人对话

• 音效 — MOSS-SoundEffect 为流水线添加时长可控的音效

基准 / 质量

• MOSS-TTSD-v1.0 在主观多说话人对话评测中优于豆包和 Gemini 2.5-pro

• Nano 实现实时因子 < 1.0，运行于 4 个 CPU 核心上 （即比播放更快）

• Realtime 版本报告 约 180 ms 首字节时间 适用于对话场景

• 在这个参数预算下，48 kHz 立体声输出明显优于 24 kHz 单声道竞争对手

故障排查

问题	解决方案
pynini 通过 pip 安装失败	conda install -c conda-forge pynini=2.1.6.post1 -y 然后重新安装 WeTextProcessing
CPU 上音频断续	确保有 4 个以上物理核心；禁用 SMT/HT 过度订阅；使用 ONNX 构建版
克隆的声音听起来不对	参考音频必须为 3–10 秒、干净、单说话人、语言匹配
TTSD-v1.0 出现 OOM	使用 FP16（model.half()）或降级到 1.7B 的 Local-Transformer
模型下载卡住	设置 HF_HUB_ENABLE_HF_TRANSFER=1 然后重试
首次运行较慢	首次推理会编译内核 / 下载约 400 MB 权重——之后运行会很快
Torch 与其他模型冲突	使用 [llama-cpp-onnx] 无 PyTorch 环境所需的扩展

下一步

• Kokoro TTS — 如果你不需要多语言，这是 8200 万参数、以英语为主的替代方案

• Voxtral TTS — 4B Mistral 模型，9 种语言，需要 GPU，但上限更高

• XTTS（Coqui） — 17 语言声音克隆，仅 GPU，更大规模

• Whisper Transcription — 将 MOSS-TTS 与 Whisper 搭配，用于完整语音流水线

• 在 Clore.ai 市场租用 GPU（或 CPU）

---

最后更新：2026 年 4 月 20 日