Konekäännös · Englanninkielinen alkuperäinen

MOSS-VoiceGenerator

Natiivi MLX äänisuunnittelu tarkka skripti ja ääniohje. Mono PCM 24 kHz; viitetallennusta ei tarvita.

MOSS-äänigeneraattori säilyttää BF16 kielipainot ja FP32 synteesikoodec. Käytä --stream invergence PCM. Omit --language ja aseta kielivaatimukset --instruct. Täytä kaikki kuusitoista koodikirjaa.

SDK lähderakenne

Täytäntöönpano (PR #541) : main

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

Julkaistu MLX niput: aufklarer/MOSS-VoiceGenerator-MLX-bf16

Komentorivi

.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

Esitä yksi tekstiparametri, --instruct, ja täsmälleen yksi nippuhakemisto tai yhteensopiva malli ID. Referenssiääni, kiinteät kaiuttimet ja eräsyöte eivät tue.

Jokainen teksti- ja opetuskenttä on rajattu 32,768 UTF-8 tavuihin. Täydellisen renderoidun syöteke-kehotuksen, mukaan lukien sen malli, on mahduttava 4,096-kuponkien sisälle. Molemmat raja-arvot ylittävät syötteet hylätään.

Ohje TTS optiot

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()

Lyhyen skriptin ajoajan mittaukset

M5 Pro, 48 GiB, Release. Yksi lyhyt neutraali skripti yhtä kieltä kohti; kolmen lämpimän pyynnön mediaanit ensimmäisen jälkeen. Lataus ja painontarkistus eivät tule kyseeseen; tiedostojärjestelmän välimuistit olivat lämpimiä. RTF = seinän kesto / äänen kesto, alempi on nopeampi. Fyysinen muisti on prosessi korkea-vesi koko lastaus ja neljä pyyntöä, desimaali GB.

Englannin ajastusäänellä on ratkaisematon tunnistajan erimielisyys: Parakeet lisää lopullisen ...ja ..; Qwen3-ASR täsmää koko skriptin kanssa.

Validoinnin soveltamisala

Ohjeen mukainen laatu on jakamaton. Lyhyen komentosarjan mittaukset kuvaavat testattua asetelmaa; olemassa olevan mallin latenssisertifikaatti ei ole vielä varma.

Pääopetus TTS

Lähteet

• MOSS-äänigeneraattori
• MOSS-ääni-tokenizer
• Puhe Swift