Traduzione automatica · Originale inglese

MOSS-VoiceGenerator

Sperimentale

Costruisci il supporto nativo SDK dalla fonte principale. Homebrew e altre versioni CLI precostruite potrebbero non includere ancora questi motori.

Native MLX design vocale da uno script esatto e un'istruzione vocale. Mono PCM a 24 kHz; non è richiesta alcuna registrazione di riferimento.

MOSS-VoiceGenerator mantiene BF16 i pesi linguistici e il codice di sintesi FP32. Utilizzare --stream per PCM incrementale. Omit --language e mettere i requisiti linguistici in --instruct

SDK creazione di sorgenti

Attuazione (PR #541): main

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

Pubblicato MLX fasci: aufklarer/MOSS-VoiceGenerator-MLX-bf16

Linea di comando

.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

Fornire un argomento di testo, --instruct, e esattamente una directory di bundle o un ID modello compatibile.

Ogni campo di testo e istruzioni è limitato a 32.768 byte UTF-8. Il prompt completo di ingresso reso, compreso il suo modello, deve essere inserito entro 4.096 token.

Opzioni di istruzione 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()

Misurazioni di tempo di esecuzione a breve termine

M5 Pro, 48 GiB, Release. Un breve script neutro per lingua; mediani di tre richieste calde dopo il primo. Sono escluse le verifiche di carico e di peso; le cache del filesystem erano calde. RTF = tempo di parete / durata audio, più bassa è più veloce. La memoria fisica è il processo ad alta acqua attraverso il carico e quattro richieste, in decimale GB.

ScriptAudio (s)Caldo primo PCM (s)RTFMemoria fisica di picco (GB)
Inglese3.440.4700.6108.448
Mandarino4.880.4570.5728.619

L'audio di cronometraggio inglese ha un disaccordo di riconoscimento non risolto: Parakeet aggiunge un "e" finale; Qwen3-ASR corrisponde allo script completo. Entrambi i risultati sono mantenuti.

Ambito di validità

Le misure a breve termine descrivono la configurazione testata; la certificazione di latenza esistente rimane inconcludente.

Istruzioni native TTS

Fonti