Strojový překlad · Anglický originál

MOSS- VoiceGeneGenerator

Nativní hlasový design MLX z přesného skriptu a hlasového návodu. Mono PCM na 24 kHz; není vyžadován žádný referenční záznam.

MOSS-VoiceGenerator si zachovává jazykové váhy BF16 a syntetický kodek FP32. Použijte --stream pro přírůstkové PCM. Omit --language, a vložte jazykové požadavky do --instruct. dokončení odčerpává všech 16 kódbooků.

SDK tvorba zdrojů

Implementace (PR # 541): main

git clone --single-branch --branch main https://github.com/soniqo/speech-swift.git
cd speech-swift
make build

Publikované balíky MLX: aufklarer/MOSS-VoiceGenerator-MLX-bf16

Příkazová linka

.build/release/speech speak "The little boat crossed the quiet lake before sunset." \
  --engine moss-voicegenerator \
  --moss-voicegenerator-model-id aufklarer/MOSS-VoiceGenerator-MLX-bf16 \
  --instruct "A warm adult female voice, speaking English slowly." \
  --stream --seed 42 --output moss.wav

Poskytněte jeden textový argument, --instruct, a přesně jeden adresář svazku nebo kompatibilní model ID. Referenční audio, pevné reproduktory a dávkové vstupy jsou nepodporovány.

Každé pole textu a instrukcí je omezeno na 32,768 UTF-8 bytes. Kompletní vykreslený vstupní příkaz, včetně jeho šablony, se musí vejít do žetonů 4,096. Vstupy překračující buď limit jsou zamítnuty.

Instrukce Volby TTS

Swift API

import MossVoiceGeneratorTTS

let model = try await MossVoiceGeneratorModel.fromPretrained(
    modelId: "aufklarer/MOSS-VoiceGenerator-MLX-bf16")
let output = try await model.generate(
    text: "The little boat crossed the quiet lake before sunset.",
    instruction: "A warm adult female voice, speaking English slowly.",
    options: .init(maxFrames: 150, seed: 42))
let pcm = output.samples
model.unload()

Měření runtime pro zkrácený skript

M5 Pro, 48 GiB, Release. Jeden krátký neutrální skript na jazyk; mediáni tří teplých požadavků po prvním. Ověření hmotnosti a zatížení jsou vyloučeny; cache filesystem byly teplé. RTF = doba trvání stěny / audio, nižší je rychlejší. Fyzická paměť je proces high-voda přes zatížení a čtyři požadavky, v desetinné GB.

Anglické načasování audio má nevyřešený rozpor rozpoznávače: Parakeet přidává konečné "a"; Qwen3-ASR odpovídá plný skript. Oba výsledky jsou zachovány.

Rozsah validace

Instruction- following quality is unscored. Měření skriptu popisují testované nastavení; certifikace existující modelu latence zůstává neprůkazná.

Individuální instrukce TTS

Zdroje

• MOSS- VoiceGeneGenerator
• MOSS- Audio-Tokenizer
• Projev Swift