OpenMOSS/MOSS-TTS-Nano

これは何？

主な機能

• 01約0.1Bパラメータで、4コアCPU上でストリーミング出力できるよう設計されています。
• 02参照音声からのボイスクローニングに対応し、長いテキストは自動でチャンク分割します。
• 0348 kHzの2チャンネル音声を出力します。
• 04中国語や英語を含む20言語をサポートします。
• 05推論時にPyTorchへの依存がないONNX Runtime CPUバックエンドを利用できます。
• 06Webデモ、CLI、ファインチューニング用コードが含まれています。

ユースケース

• ノートPCやCPUのみのサーバーで、ローカル音声合成サービスを実行する。
• 軽量な製品やプロトタイプに、クローンした声による音声出力を追加する。
• ローカルで音声を生成するブラウザー向け、またはオフラインの読み上げツールを構築する。
• 独自の音声データで、小型の多言語TTSモデルをファインチューニングする。

クイックスタート

1. 1

   リポジトリをクローンする

   git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git
2. 2

   プロジェクトのフォルダーに移動して、必要なパッケージをインストールする

   pip install -r requirements.txt
3. 3

   プロジェクトを editable モードでインストールする

   pip install -e .
4. 4

   サンプルのプロンプト音声を使って音声クローンの推論を実行する

   python infer.py --prompt-audio-path assets/audio/zh_1.wav --text "欢迎关注模思智能、上海创智学院与复旦大学自然语言处理实验室。"

使う前に知っておきたいこと

• !pynini や WeTextProcessing などの依存関係のインストールに失敗することがあり、手動での対処が必要になる場合があります。
• !README に記載されている Conda と pip のセットアップ手順は、パッケージを1つインストールするだけの場合より複雑です。

トピック

よくある質問

MOSS-TTS-Nano とは？

CPUでリアルタイム動作する0.1Bパラメータの多言語音声合成モデル。ボイスクローニングに対応し、48 kHzステレオ音声を出力します。 MOSS-TTS-Nanoは、OpenMOSSチームが開発した約1億パラメータの小型音声合成モデルです。GPUが使えない環境でのローカル実行や軽量なデプロイを想定しており、自己回帰型の音声トークナイザーとLLMを組み合わせたパイプラインで、CPU上でもリアルタイムに音声を生成します。

MOSS-TTS-Nano は無料で使えますか？ライセンスは？

MOSS-TTS-Nano は Apache-2.0 ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

MOSS-TTS-Nano は今もメンテナンスされていますか？

半年以内に更新あり。MOSS-TTS-Nano の最終コミットは 2026年9月6日 です。

MOSS-TTS-Nano は何に使えますか？

ノートPCやCPUのみのサーバーで、ローカル音声合成サービスを実行する。 軽量な製品やプロトタイプに、クローンした声による音声出力を追加する。 ローカルで音声を生成するブラウザー向け、またはオフラインの読み上げツールを構築する。 独自の音声データで、小型の多言語TTSモデルをファインチューニングする。

MOSS-TTS-Nano のインストール方法は？

リポジトリをクローンする: git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git プロジェクトのフォルダーに移動して、必要なパッケージをインストールする: pip install -r requirements.txt プロジェクトを editable モードでインストールする: pip install -e . サンプルのプロンプト音声を使って音声クローンの推論を実行する: python infer.py --prompt-audio-path assets/audio/zh_1.wav --text "欢迎关注模思智能、上海创智学院与复旦大学自然语言处理实验室。"

MOSS-TTS-Nano はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/OpenMOSS/MOSS-TTS-Nano