MOSS-TTS-Nano –由 OpenMOSS 团队与 MOSI.AI 开源的超轻量、低延迟、可运行于 CPU 的多语言语音合成（TTS）模型

MOSS-TTS-Nano 是由 OpenMOSS 团队与 MOSI.AI 开源的超轻量、低延迟、可运行于 CPU 的多语言语音合成（TTS）模型。

它的核心定位是“极低门槛的本地流式语音生成与声音克隆”，旨在让普通的个人电脑甚至端侧设备（如浏览器、移动端）也能离线流畅运行高质量的语音合成。

核心功能

1. 零样本声音克隆（Zero-shot Voice Cloning）

   • 仅需提供一段几秒钟的参考音频（Prompt Speech），无需针对特定人声进行微调训练，就能直接用该音色朗读目标文本。

2. 超低延迟流式生成（Real-time Streaming TTS）

   • 支持边生成边播放（Streaming Inference），首包响应极快。在普通的 4 核 CPU 上即可做到“实时率”（生成速度大于播放速度）。

3. 高品质 48 kHz 双声道/立体声输出

   • 搭载自研的 MOSS-Audio-Tokenizer-Nano 音频编解码器，虽然模型本体只有 0.1B（100M）参数，但能直接输出 48 kHz 双声道（Stereo）的高保真音频。

4. 多语言与长文本合成

   • 原生支持中文、英文、日语、韩语、西班牙语等多语言文本合成；

   • 内置长文本自动分句分块逻辑，支持对长文章/图书进行稳定连续的朗读。

5. 纯 CPU/ONNX 极速推理与端侧应用

   • 提供独立导出的 ONNX 模型格式，脱离 PyTorch 重度依赖，运行效率翻倍；

   • 衍生开发了浏览器扩展组件（如 MOSS-TTS-Nano-Reader），可以直接在浏览器网页内调用本地模型朗读网页文本。

应用场景

• 本地网页/小说朗读助手： 作为浏览器插件或离线软件，直接对长文本进行朗读。

• 低算力设备/端侧语音交互： 嵌入树莓派、智能家居设备或 Android/iOS 移动端应用中。

• 实时 AI 语音助手/NPC 语音： 结合轻量级 LLM，搭建低延迟、成本极低的实时对话机器人或游戏语音交互系统。

根据官方仓库及部署说明，本地运行该项目的硬件配置要求如下：

 硬件最低配置与推荐配置

 硬件与性能特点解析

1. CPU 性能极佳：

   • 由于只有约 100M 参数，官方支持 ONNX CPU 推理。

   • 即使在单核或 4 核 CPU（如 MacBook Air 或普通 PC）上，也能顺畅做到流式生成，甚至能作为浏览器插件（如 MOSS-TTS-Nano-Reader）在本地直接进行文本朗读。

2. 显存/内存占用极低：

   • 运行时模型加载后的内存/显存占用通常只有 2 GB – 4 GB 左右，不会对系统造成很大负担。

3. GPU 加速（可选）：

   • 如果拥有英伟达显卡，只需安装支持 CUDA 的 onnxruntime-gpu 或 PyTorch CUDA 版本，就可以进一步降低首包延迟（First Audio Latency），获得极高倍速的推理体验。

代码下载地址

Github仓库：https://github.com/OpenMOSS/MOSS-TTS-Nano