Maskinöversättning · Engelskt original

MOSS-VoiceGenerator

Native MLX röstdesign från ett exakt skript och en röstinstruktion. Mono PCM vid 24 kHz; ingen referensinspelning krävs.

MOSS-VoiceGenerator behåller BF16 språkvikter och FP32 synthesis codec. Använd --stream för inkrementell PCM. Omit --language och sätta språkkrav i --instruct. Slutförande dränerar alla sexton kodböcker.

SDK källbyggnad

Implementering (PR #541): main

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

Publicerad MLX buntar: aufklarer/MOSS-VoiceGenerator-MLX-bf16

Command line

.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

Ge ett textargument, --instruct, och exakt en bunt katalog eller kompatibel modell ID. Referens ljud, fasta högtalare och batch ingång är ostödda.

Varje text- och instruktionsfält är begränsat till 32.768 UTF-8 byte. Den fullständiga ingångsprompten, inklusive dess mall, måste passa inom 4.096 tokens. Ingångar som överstiger gränsen avvisas.

Instruktion TTS alternativ

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()

Short-script runtime mätningar

M5 Pro, 48 GiB, Release. Ett kort neutralt manus per språk; medianer av tre varma önskemål efter det första. Lastning och viktverifiering utesluts; filsystem caches var varm. RTF = väggtid / ljud varaktighet, lägre är snabbare. Fysiskt minne är processen högvatten över lastning och fyra önskor, i decimal GB.

Engelska timing ljud har olöst erkännande oenighet: Parakeet lägger till en sista "och"; Qwen3-ASR matchar hela skriptet. Båda resultaten behålls.

Validering Omfattning

Instruktionsföljande kvalitet är oscored. Kortskriftsmätningar beskriver den testade inställningen; befintlig-modell latens certifiering förblir oavslutande.

Native instruktion TTS

Källor

• MOSS-VoiceGenerator
• MOSS-Audio-Tokenizer
• Speech Swift