极速轻便声音克隆语音合成软件MOSS-TTS-Nano整合包，CPU可流畅运行

一、项目概述

MOSS-TTS-Nano 是由 MOSI.AI 与 OpenMOSS 团队 联合开发的开源多语言小模型语音合成系统。模型参数量仅 0.1B，专为实时语音生成场景设计，无需 GPU 即可在 CPU 上直接运行，适合本地演示、Web 服务及轻量级产品集成。

核心技术架构

采用 Audio Tokenizer + LLM 的纯自回归流水线：

1. 输入文本经文本正则化预处理
2. 参考音频（提示语音）经音频分词器编码为离散 Token
3. 轻量级语言模型以文本 Token 和音频 Token 为条件，自回归生成音频 Token
4. 音频分词器解码器将 Token 流实时还原为 48 kHz、双声道波形

两种推理后端

二、软件功能特点

1. 语音克隆（Voice Clone）

• 提供一段参考音频（提示语音），模型即可模仿该说话人的音色、语调和风格
• 支持上传自定义音频文件（WAV、MP3、FLAC、M4A、OGG、Opus、AAC 等格式）
• 内置演示音频（位于 assets/audio/，通过 assets/demo.jsonl 配置）
• 自动长文本分块克隆，超长文本无压力

2. 多语言支持

支持 20 种语言的语音合成：

3. 实时流式解码（Realtime Streaming Decode）

• 支持边生成边播放，首音延迟极低
• 使用 Web Audio API 进行 PCM 流式调度播放
• 实时显示已合成文本高亮，逐句跟踪播放进度
• 支持暂停/恢复播放

4. 丰富的生成参数调节

• 最大新帧数（Max New Frames）：控制音频生成长度
• 文本/音频采样参数：Temperature、Top-P、Top-K
• 音频重复惩罚（Audio Repetition Penalty）：减少音频伪影
• 随机种子（Seed）：支持可复现生成
• 注意力后端（PyTorch 版）：model_default / sdpa / eager
• 采样模式（ONNX 版）：fixed（使用模型内置常量）/ full（使用页面超参数）/ greedy（贪心解码）
• 批量大小：TTS 批大小和编解码器批大小（ONNX 版固定为 1）

5. 文本正则化

• 内置 WeTextProcessing 文本正则化流水线
• 支持独立开关 WeTextProcessing 和 normalize_tts_text
• 启动时预加载，首次请求无图构建延迟
• 正则化后文本实时展示在输出面板

6. 启动预热机制

• 服务启动时自动加载模型并执行一次短文本预热合成
• Web 界面实时显示预热进度和状态
• 预热失败时展示错误信息，便于排查

7. 可视化播放脚本高亮

• 将合成文本按语义分句，以卡片形式展示在播放面板中
• 播放时当前句子高亮显示，已播放句子以标记色标识
• 支持自动滚动跟随

三、启动方式

一键启动（Windows）

双击 0启动软件.bat，脚本自动调用 ONNX 版 Web 服务：

默认使用 ONNX CPU 后端。

四、界面功能说明

左侧面板（输入区）

右侧面板（输出区）

五、注意事项

硬件要求

• CPU 模式：建议 4 核以上 CPU，支持流式流畅运行

音频文件

• 上传的提示音频会暂存在 .app_prompt_uploads/ 目录，服务重启后清理
• 生成的音频文件保存到 generated_audio/ 目录
• 支持常见的音频格式：WAV、MP3、FLAC、M4A、OGG、Opus、AAC
• 建议参考音频时长 3~15 秒，过短可能导致克隆效果不佳

MOSS-TTS-Nano整合包软件下载链接

https://pan.quark.cn/s/90a215039c1b