MOSS-TTS

一站式生成高保真语音、对话、音效，支持实时流式输出

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署音频音乐 🍴 复刻 383 🐛 待处理 25 👀 关注 21

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 4310

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源模型，Apache-2.0许可证，可免费使用和部署。

项目预览

项目数据

分类音频音乐

开发团队OpenMOSS

官网地址https://mosi.cn/models/moss-tts

GitHubhttps://github.com/OpenMOSS/MOSS-TTS

定价模式🏷️完全免费

价格说明开源模型，Apache-2.0许可证，可免费使用和部署。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型audio,audio-tokenizer,llm,multilingual,multimodal,speech-synthesis,streaming,text-to-audio,text-to-speech,tts,voice-cloning

GitHub 星标★ 4310

上线时间2026-02-07 00:00:00

代码更新2026-09-06

仓库体积11.6 MB

本站数据更新2026-11-09

维护状态维护中

收录时间2026-08-09

浏览次数5

项目介绍

MOSS-TTS 是由 MOSI.AI 和 OpenMOSS 团队开发的开源语音与声音生成模型家族，专注于高保真、高表现力及复杂真实场景的语音合成。它解决了传统 TTS 在长文本稳定性、多说话人对话、声音克隆和环境音效生成方面的不足，支持稳定长语音、多说话人对话、声音/角色设计、环境音效以及实时流式 TTS。核心能力包括基于音频 tokenizer 和 LLM 的多模态建模，能够生成自然流畅的语音，并支持声音克隆和个性化定制。项目使用 Python 实现，技术栈涵盖音频处理、大语言模型和多模态学习，适合研究与应用开发。目前项目处于成长阶段，社区活跃，为语音合成领域提供了新的开源选择。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 4310

技术标签

audio llm multilingual multimodal speech-synthesis

使用教程

难度：进阶约 25 分钟部署方式：本地安装 7 步

环境要求

Python 3.12 环境（README 使用 uv venv --python 3.12）
uv 包管理器（需先按官方文档安装 uv）
支持 CUDA 12.8 的 NVIDIA GPU 及驱动（纯 CPU 可用 cpu-only 配置）
建议使用干净隔离环境，并搭配 Transformers 5.0.0 以避免依赖冲突

安装与启动步骤

1克隆仓库

把 MOSS-TTS 源码拉取到本地并进入项目目录，后续所有安装命令都在该目录执行。
```
git clone https://github.com/OpenMOSS/MOSS-TTS.git
cd MOSS-TTS
```
2创建虚拟环境

用 uv 创建 Python 3.12 的隔离虚拟环境，目录名为 .venv。
```
uv venv --python 3.12 .venv
```
3激活虚拟环境

Linux/macOS 下用 source 激活；激活后终端提示符前会出现 .venv 标识。
```
source .venv/bin/activate
```
4安装 torch 运行依赖

按 cu128 后端安装 PyTorch CUDA 轮子及项目依赖，如用其他后端把 cu128 换成 cpu、cu126 等。
```
uv pip install --torch-backend cu128 -e ".[torch-runtime]"
```
5可选安装 FlashAttention

硬件支持时可提升速度、降低显存；编译失败可跳过，改用默认 attention 后端，内存小的机器可限制并行度。
```
uv pip install --torch-backend cu128 -e ".[torch-runtime,flash-attn]"
```
6可选轻量安装

不想装 torch 时，用 llama-cpp-onnx 配置安装 numpy、onnxruntime-gpu、tokenizers，作为推荐起点。
```
pip install -e ".[llama-cpp-onnx]"
```

7运行命令行推理

使用 default.yaml（ONNX 音频 + GGUF 主干）合成语音，输出写入 output.wav。

python -m moss_tts_delay.llama_cpp \
    --config configs/llama_cpp/default.yaml \
    --text "Hello, world!" --output output.wav

关键配置

配置项	必填	说明	示例
`heads_backend`	是	LM heads 计算后端，可选 auto、numpy、torch。	`auto`
`audio_backend`	是	音频 tokenizer 后端，可选 onnx、trt、torch。	`onnx`
`low_memory`	否	显存有限时分阶段加载/卸载编码器、主干、解码器。	`true`
`kv_cache_type_k / kv_cache_type_v`	否	KV cache 量化类型，用于降低显存占用。	`q8_0`
`flash_attn`	否	预填充阶段启用 flash attention 以降低峰值显存。	`auto`

如何确认成功

命令执行完成后在当前目录生成 output.wav 音频文件，播放可听到合成的语音即为成功。

常见问题

Q：显存不够怎么办？

A：改用 configs/llama_cpp/trt-8gb.yaml（8GB 显存低内存模式，分阶段加载）或 cpu-only.yaml（完全 CPU，无需 GPU），并在配置中开启 low_memory。

Q：FlashAttention 2 编译失败怎么办？

A：直接跳过安装，使用默认 attention 后端即可；若机器内存有限而 CPU 核数较多，可加 MAX_JOBS=4 限制构建并行度。

Q：没有 GPU 能运行吗？

A：可以，选择 configs/llama_cpp/cpu-only.yaml 完全基于 CPU 运行；也可只安装 llama-cpp-onnx 的 torch-free 版本。

Q：想换 CUDA 版本或纯 CPU 后端？

A：把安装命令中的 --torch-backend cu128 替换成目标后端，例如 cpu 或 cu126。

Q：多语言文本怎么生成？

A：已知语言时请设置 language 参数；MOSS-TTS-v1.5 与 1.0 的 MossTTSDelay-8B 检查点使用相同的生成 API。

注意事项

依赖统一由 pyproject.toml 管理，当前固定 torch==2.9.1+cu128 与 torchaudio==2.9.1+cu128。
README 提供四套预置配置：default.yaml、trt.yaml、trt-8gb.yaml、cpu-only.yaml，其中 trt 需要自行构建引擎。
TRT 配置可获得最大音频 tokenizer 速度，但需要自行构建 TensorRT 引擎。
各模型的浏览器 Gradio Demo 脚本位于 clis/ 目录（如 moss_tts_app.py、moss_ttsd_app.py 等），MOSS-TTS-Realtime 见 docs/moss_tts_realtime_model_card.md。