Maskinoversættelse · Engelsk original

MOSS- VoiceGenerator

Native MLX stemme design fra et præcist script og en stemme instruktion. Mono PCM på 24 kHz; ingen reference optagelse er påkrævet.

MOSS- VoiceGenerator bibeholder BF16 sprogvægte og FP32 syntesecodec. Brug --stream til trinvis PCM. Omit --language og sætte sprogkrav i --instruct. Færdiggørelse dræn alle seksten kodebøger.

SDK kildeopbygning

Gennemførelse (PR # 541): main

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

Published MLX bundter: aufklarer/MOSS-VoiceGenerator-MLX-bf16

Kommandolinje

.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

Giv et tekstargument, --instruct, og præcis en bundt mappe eller kompatibel model ID. Reference lyd, faste højttalere og batch input er ikke understøttet.

Hvert tekst- og instruktionsfelt er begrænset til 32,768 UTF-8 bytes. Den komplette afleverede inddataport, herunder dens skabelon, skal passe inden for 4,096 tokens. Indgange, der overskrider begge grænser, afvises.

Instruktion TTS muligheder

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()

Målinger af driftstid for kortscript

M5 Pro, 48 GiB, Release. Et kort neutralt script per sprog; medians af tre varme anmodninger efter den første. Indlæsning og vægt verifikation er udelukket; filsystem caches var varme. RTF = væg tid / lydvarighed, lavere er hurtigere. Fysisk hukommelse er processen højvande på tværs af lastning og fire anmodninger, i decimal GB.

Engelsk timing audio har uløste genkendelsesforhold uenighed: Parakeet tilføjer en endelig "og"; Qwen3-ASR matcher den fulde script. Begge resultater er bevaret.

Valideringsområde

Instruction- følgende kvalitet er uscoret. Kortscriptmålinger beskriver den testede opsætning; eksisterende-model latency certificering forbliver ukonklusivt.

Indfødt instruktion TTS

Kilder

• MOSS- VoiceGenerator
• MOSS- Audio- Tokenizer
• Tale Swift