MOSS-VoiceGenerator

सटीक स्क्रिप्ट और आवाज़ के निर्देश से मूल MLX में आवाज़ डिज़ाइन करें। 24 kHz मोनो PCM; संदर्भ रिकॉर्डिंग आवश्यक नहीं है।

MOSS-VoiceGenerator BF16 भाषा भार और FP32 संश्लेषण कोडेक रखता है। क्रमिक PCM के लिए --stream प्रयोग करें। --language छोड़ें और भाषा की शर्त --instruct में दें। समाप्ति से पहले सभी सोलह कोडबुक पूरी होती हैं।

SDK समीक्षा शाखा

SDK समीक्षा शाखा (PR #541): feat/instructtts-candidates-20261029

git clone --single-branch --branch feat/instructtts-candidates-20261029 https://github.com/soniqo/speech-swift.git
cd speech-swift
make build

प्रकाशित MLX बंडल: aufklarer/MOSS-VoiceGenerator-MLX-bf16

कमांड लाइन

.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

एक टेक्स्ट तर्क, --instruct और बंडल निर्देशिका या संगत मॉडल ID में से ठीक एक दें। संदर्भ ऑडियो, तय वक्ता और बैच इनपुट समर्थित नहीं हैं।

निर्देश आधारित TTS विकल्प

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()

छोटे पाठ के रनटाइम माप

M5 Pro, 48 GiB, Release। हर भाषा में एक छोटा तटस्थ पाठ; पहले अनुरोध के बाद तीन वार्म अनुरोधों का मध्यक। लोडिंग और वज़न सत्यापन शामिल नहीं हैं; फ़ाइल कैश गर्म थे। RTF = रनटाइम / ऑडियो अवधि; कम मान तेज़ है। भौतिक मेमोरी लोडिंग और चार अनुरोधों में प्रक्रिया का सर्वोच्च मान है, दशमलव GB में।

अंग्रेज़ी टाइमिंग ऑडियो पर पहचानकर्ताओं में मतभेद अनसुलझा है: Parakeet अंत में “and” जोड़ता है, Qwen3-ASR पूरा पाठ सही पहचानता है। दोनों परिणाम सुरक्षित हैं।

सत्यापन का दायरा

निर्देश पालन की गुणवत्ता अभी स्कोर नहीं हुई है। छोटे पाठ के माप केवल जाँचे गए सेटअप को दिखाते हैं; मौजूदा मॉडलों की विलंबता रिग्रेशन जाँच अनिर्णायक है।

मूल निर्देश आधारित TTS

स्रोत

• MOSS-VoiceGenerator
• MOSS-Audio-Tokenizer
• Speech Swift