Maskinoversettelse · Engelsk original

MOSS-TTS-Nano

Streaming talesyntese og stemmekloning med CoreML, 48 kHz stereolyd og 80 ms biter.

Apache-2.0 · aufklarer/MOSS-TTS-Nano-100M-CoreML

CLI

speech speak "Hello world." --engine moss-nano -o hello.wav
speech speak "The weather is nice today." --engine moss-nano \
  --voice-sample reference.wav --moss-nano-seed 1 -o cloned.wav
speech speak "Hello world." --engine moss-nano --stream --play -o streamed.wav

Bruk --voice-sample for stemmekloning; ingen referansetranskripsjon er nødvendig. Mono-referanser dupliseres til stereo, resuppleres til 48 kHz og polstret til en 80 ms grense. Kode en referanse en gang og gjenbruke kodene på tvers av forespørsler.

Swift API

import AudioCommon
import MossTTSNano

let model = try await MossTTSNanoModel.fromPretrained()
let reference = try await model.encodeReference(url: referenceURL)
let result = try await model.synthesize(
    text: "The weather is nice today.", reference: reference,
    options: MossTTSNanoOptions(maxFrames: 300, seed: 1))
try WAVWriter.writeStereo(left: result.left, right: result.right,
    sampleRate: 48000, to: outputURL)

MossTTSNanoModel serierer forespørsler og skaper friske CoreML tilstand for hver uttalelse. syntetisere og syntetisereStream konservering stereo; SpeechGenerationModel gir en mono downmix. Pass språk: nil. Strømmer slutter med en tom sluttmarkering.

Grenser og målinger

macOS 15+ / iOS 18+; fire kompilerte grafer totalt 367.6 MB. Spør, referanse og forespurt rammer deler en 1,024-row-kontekst. Runtimen avviser overflod og hever en feil hvis maxframes nås før naturlig slutt på peech. CPU er standard; gpu-tillatelser CPU+GPU henrettelse. PCG64 prøvetaking bruker NumPy-kompatible frø; backend numeriske forskjeller kan fortsatt endre utdata.

Python/CoreML på en M5 Pro, 48 GB, macOS 26.6.2; separate friske prosesser, fem varme forespørsler per tilfelle. Cloning bruker en 2.72 sekunders referanse. Første/varm inkluderer referanselesing, koder lasting og koding; cachede gjenbruker referansekoder. Syntesemodelllasting er utelukket. RSS inkluderer hele Python arbeider, uten PyTorch eller ASR. Disse er ikke Swift eller iPhone-målinger og måler ikke høyttalerlikhet.

Swift · Utgivelse

Native Swift release CLI på det samme M5 Pro: en forespørsel per frisk prosess, med samme referanse, tekst og frø. Referansebehandling er inkludert; syntese-modell lasting er utelukket. RSS dekker hele CLI uten ASR vekter. Dashes betyr ikke målt varme / kake tilfeller. Begge utgangene passert uavhengig ASR med den nøyaktig etterspurte setningen.

MossTTSNano · OpenMOSS