Maskinoversettelse · Engelsk original

MOSS-VoiceGenerator

Native MLX stemmedesign fra et eksakt skript og en stemmeinstruksjon. Mono PCM på 24 kHz; ingen referanseopptak er nødvendig.

MOSS-VoiceGenerator beholder BF16 språkvekter og FP32 syntesekodeken. Bruk --stream for trinnvis PCM. Omit --language og sett språkkrav i --instruct. Fullføring tømmer alle seksten kodebøker.

SDK kildebygg

Implementering (PR #541): main

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

Publisert MLX pakker: aufklarer/MOSS-VoiceGenerator-MLX-bf16

Kommandolinje

.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

Gi ett tekstargument, --instruct, og nøyaktig én pakkekatalog eller kompatibel modell-ID. Referanselyd, faste høyttalere og satsinngang er ikke støttet.

Hvert tekst- og instruksjonsfelt er begrenset til 32.768 UTF-8 byte. Den fullstendig gjengitte inngangsprompten, inkludert malen, må passe innen 4.096 token. Innganger som overstiger enten grensen avvises.

Instruksjon TTS-alternativer

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()

Kortskrivne kjøretidsmålinger

M5 Pro, 48 GiB, Release. Ett kort nøytralt skript per språk; medianer av tre varme forespørsler etter den første. Laste- og vektverifisering er utelukket; filsystembuffere var varme. RTF = veggtid / lyd varighet, lavere er raskere. Fysisk minne er prosessen høy-vann på tvers av lasting og fire forespørsel, i desimal GB.

Engelsk timing lyd har uløst gjenkjenner uenighet: Parakeet legger til et endelig “og”; Qwen3-ASR passer til det fulle manuset. Begge resultatene beholdt.

Valideringsområde

Instruksjonsfølgende kvalitet er uscoret. Kortskrivne målinger beskriver det testede oppsettet; eksisterende modell latens sertifisering forblir inkonclusive.

Nativ instruksjon TTS

Kilder

• MOSS-VoiceGenerator
• MOSS-Audio-Tokenizer
• Tale Swift