Traducere automată · Originalul în engleză

MOSS-VoiceGenerator

Nativ MLX design vocal dintr-un script exact și o instruire vocală. Mono PCM la 24 kHz; nu este necesară înregistrarea de referință.

MOSS-VoiceGenerator păstrează BF16 greutăți lingvistice și FP32 codec sinteze. Utilizare --stream pentru PCM incremental. Omit --language și cerințe lingvistice de pus în --instruct.Electrizează toate șaisprezece registre de coduri.

SDK clugure sursă

Implementation (PR #541): main

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

Publicat MLX pachete: aufklarer/MOSS-VoiceGenerator-MLX-bf16

Linia de comandă

.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

Oferă un argument text, --instruct, și exact un director pachet sau model compatibil ID. audio de referință, boxe fixe și intrare lot sunt nesuportate.

Fiecare câmp de text și de instruire este limitat la octeți 32,768 UTF-8. Impexul complet de intrare, inclusiv șablonul său, trebuie să se potrivească în jetoane 4,096 . Intrările care depășesc oricare dintre limite sunt respinse.

Instrucţiuni TTS opţiuni

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()

Măsurători pe timp de execuție pe termen scurt

M5 Pro, 48 GiB, Release. Un scurt script neutru pe limbă; medianele a trei cereri calde după prima. Se exclude încărcarea și verificarea greutății; caches filesystem au fost calde. RTF = timp perete / durata audio, este mai rapid. Memoria fizică este procesul de mare apă pe toată încărcarea și patru cereri, în zecimal GB.

Sincronizarea în engleză audio are dezacord de recunoaștere nerezolvat: Parakeet se adaugă o finală și o valoare finală; Qwen3-ASR Ambele rezultate sunt păstrate.

Domeniul de aplicare al validării

Calitatea de instruire-urmărire este nemarcată. Măsurătorile pe scurt descrie configurarea testată; certificarea latență model existent rămâne neconcludentă.

Instrucţiuni native TTS

Surse

• MOSS-VoiceGenerator
• MOSS-Audio-Tokenizer
• Discurs Swift