Awtomatikong salin · Orihinal sa Ingles

MESS-VoiceGenerator

Katutubong MLX voice design mula sa eksaktong script at isang voice talent. Mono PCM sa 24 kHz; walang reference recording ang kailangan.

Ang MOSS-VoiceGenerator ay nagpapanatili ng BF16 language weights at ang FP32 synthesis codec. Gamitin ang --stream para sa incremental PCM. Omit --language at ilagay ang mga kahilingan ng wika sa --instruct.

Binubuo ang SDK source

Implementasyon (PR #541): main

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

Inilathala MLX mga bungkos: aufklarer/MOSS-VoiceGenerator-MLX-bf16

Utos

.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

Magtakda ng isang argumento sa teksto, --instruct, at eksaktong isang brock directory o magtutugmang modelo ID. Reference audio, mga nakapirmeng speaker at councre input ay hindi suportado.

Ang bawat teksto at larangan ng instruksiyon ay limitado sa 32,768 UTF-8 bytes. Ang kumpletong iginawad na input advanced, kabilang ang template nito, ay dapat na angkop sa loob ng 4,096 na mga pananda. Ang mga inputs na lampas sa alinmang limitasyon ay itinatakwil.

Tagubilin TTS opsyon

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()

Maikling-script na sukat ng runtime

M5 Pro, 48 GiB, Release. isang maikling neutral script kada wika; median ng tatlong mainit na kahilingan pagkatapos ng una. Ang pagkarga at timbang beripikasyon ay hindi isinasama; ang filesystem caches ay mainit. RTF = ang oras ng pader / audio tagal, mas mabilis ang pisikal na memorya. Ang pisikal na memorya ay ang proseso high-water tawid sa loading at apat na kahilingan, sa pamamagitan ng pag-eebolb.

Ang audio sa panahon ng Ingles ay may hindi malutas na di - pagkakasundo: Ang Parakeet ay nagdaragdag ng pangwakas na iVandić; Qwen3-ASR ay tumutugma sa buong iskrip.

Makatuwirang lawak

Ang instruksyon-sunod na katangian ay hindi nai-cored. ang mga maikling-script na sukat ay naglalarawan sa tested setup; ang umiiral na-model na latency serial ay nananatiling hindi tiyak.

Katutubong tagubilin TTS

Pinagmumulan

• MESS-VoiceGenerator
• MOSS-Audio-Tkenizer
• Pananalitang Swift