Terjemahan mesin · Versi asli bahasa Inggris

MoSS- Pembuat Suara

Percobaan

Build asli SDK dukungan dari sumber utama. Homebrew dan lain prebuilt CLI rilis mungkin tidak termasuk mesin ini belum.

MLX desain suara asli dari skrip dan instruksi suara yang tepat. Mono PCM di 24 kHz; tidak ada rekaman referensi yang diperlukan.

MoSS- Pembuat Suara mempertahankan BF16 bobot bahasa dan FP32 codec sintesis. Gunakan --stream untuk incremental PCM. Abaikan --language dan menempatkan persyaratan bahasa dalam --instructPenyelesaian menguras semua buku kode enam belas.

Sumber pembuatan SDK

Implementasi (PR # 541): main

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

Bundel MLX yang diterbitkan: aufklarer/MOSS-VoiceGenerator-MLX-bf16

Baris perintah

.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

Menyediakan satu argumen teks, --instruct, dan tepat satu direktori paket atau ID model yang kompatibel. Referensi audio, speaker tetap dan masukan batch tidak didukung.

Setiap teks dan daerah instruksi dibatasi 32,768 UTF-8 bytes. Inserm masukan yang telah diberikan lengkap, termasuk template, harus cocok dalam 4,096 Token. "Input" melebihi batas ditolak.

Instruksi opsi 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()

Pengukuran waktu jalan script pendek

M5 Pro, 48 GiB, Release. Satu skrip netral singkat per bahasa; medians dari tiga permintaan hangat setelah pertama. Memuat dan verifikasi berat badan dikeluarkan; cache filesystem hangat. RTF = durasi waktu / audio dinding, lebih cepat. Memori fisik adalah proses high- air melintasi pemuatan dan empat permintaan, dalam desimal GB.

Skrip	Audio	PCM pertama yang hangat	RTF	Puncak memori fisik (GB)
Inggris	3.44	0.470	0.610	8.448
Mandarin	4.88	0.457	0.572	8.619

Audio pemilihan bahasa Inggris telah menyelesaikan perselisihan pengakuan: Parakeet menambahkan akhir "dan"; Qwen3-ASR cocok dengan script penuh. Kedua hasil tersebut dipertahankan.

Ruang lingkup validasi

Instruktuasi - berikut kualitas tidak mencetak. Ukuran skrg-script menggambarkan setup teruji; ada - model sertifikasi latensi tetap tidak meyakinkan.

Instruksi asli TTS