【免费下载链接】MOSS-TTS-Local-Transformer-v1.5-8bit项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/MOSS-TTS-Local-Transformer-v1.5-8bit点击查看免费下载MOSS-TTS-Local-Transformer 是一款 4B 参数的开源 TTS文本转语音模型配合 MOSS-Audio-Tokenizer-v2 音频编码器可在本地生成 48kHz 立体声的高解析度语音支持零样本语音克隆与流式合成。本文带你用几分钟看懂这对组合如何分工协作以及 config.json 里决定音质的几个关键参数。 一分钟了解48kHz 高解析音质从何而来普通手机语音通常是 16kHz 采样率的单声道而 MOSS-TTS 的最终输出是48kHz 立体声——这是 CD 级音质44.1kHz之上的标准广泛用于专业音频制作。高解析音质的实现靠两个模型接力完成角色模型职责编剧MOSS-TTS-Local-Transformer4B 语言模型理解文字逐帧决定该说什么输出离散音码录音师MOSS-Audio-Tokenizer-v2音频编解码器把离散音码还原成真实的 48kHz 立体声波形语言模型只产出压缩版的音符真正还原出高解析音频的是 Tokenizer 的解码器——这正是两者必须协作的原因。 协作机制详解从文字到 48kHz 音频的三步流水线整个合成过程可以理解为一条三步流水线第一步Qwen3 语言主干把文字变成语义规划MOSS-TTS-Local-Transformer 的底座是 Qwen3 架构的大语言模型36 层、2560 隐藏维度它负责理解你要合成的文本、多语言内容中、英、日、韩等 10 种语言并规划整段语音的节奏与语义走向。第二步本地 Transformer 逐帧输出 12 路 RVQ 音码在语言主干之后接了一个轻量的本地 Transformer仅 1 层见 config.json 的local_transformer_layers: 1。它每一帧同时输出12 路 RVQ 音码每路词表大小 102412 路音码从粗到细叠加共同描述这一瞬间的声音——类似用 12 层滤镜逐步逼近真实音色。第三步MOSS-Audio-Tokenizer-v2 解码出 48kHz 立体声波形12 路音码交给 MOSS-Audio-Tokenizer-v2 的解码器一次性还原为 48kHz 立体声波形采样率定义见 config.json 的sampling_rate: 48000。processor_config.json 中audio_tokenizer_name_or_path字段指明了这个搭档的身份。 提示音码的起止边界由专门的特殊 token 标记可在 added_tokens.json 中查到对应的audio_start151669与audio_end151670。 读懂 config.json5 个决定音质的关键参数想知道为什么声音是 48kHz、为什么是 12 路音码答案都写在 config.json 里参数值含义sampling_rate48000输出采样率48kHz 高解析音质的直接来源config.jsonn_vq12每帧输出的 RVQ 音码层数config.jsonaudio_codebook_sizes12 × 1024每路音码的词表大小config.jsonlocal_transformer_layers1本地 Transformer 层数轻量快速config.jsonquantizationint8 / group 64 / affine8bit 量化配置决定模型体积与速度config.json⚠️ 注意12 路音码是固定配置推理时不要传入不同的n_vq_for_inference参数详见 README.md。️ 仓库文件清单模型权重、分词器与配置文件作用model.safetensors8bit 量化后的完整模型权重约 4.6 GB总大小见 model.safetensors.index.jsonmodel.safetensors.index.json权重索引可看到audio_embeddings.0~11与audio_lm_heads.0~11正是 12 路音码对应的嵌入层与预测头config.json模型结构、量化与音频参数配置processor_config.json指明配套的 MOSS-Audio-Tokenizer-v2 音频分词器tokenizer.json / vocab.json / merges.txt文本分词器文件沿用 Qwen3 词表约 15.2 万词元chat_template.jinja对话模板用于组织输入文本⚡ 8bit 量化与三种精度档位如何平衡速度与体积本仓库是int8、group size 64、affine模式的 8bit 量化版本体积约 4.6 GB相比原始 bf16 精度省下一半以上空间同时几乎不影响听感。同系列还有bf16最高精度、8bit本仓库速度体积均衡、4bit最小体积三个档位可按你的内存与硬件选择。音频解码端可搭配 bf16 精度的 MOSS-Audio-Tokenizer-v2 使用见 README.md。 快速上手用 mlx-audio 生成第一句 48kHz 语音在 Apple Silicon 设备上安装mlx-audio后几行代码即可出声音from mlx_audio.tts import load from mlx_audio.audio_io import write as audio_write model load(mlx-community/MOSS-TTS-Local-Transformer-v1.5-8bit, lazyTrue) result next(model.generate( textHello, this is MOSS-TTS running on MLX., ref_audiospeaker.wav, # 可选零样本语音克隆参考音频 languageEnglish, max_tokens400, )) audio_write(out.wav, result.audio, result.sample_rate) # 48kHz 立体声示例代码来自 README.md进阶两招零样本克隆与流式合成零样本语音克隆传入一段ref_audio参考音频模型即可以那个人的声音朗读新文本无需额外训练。流式合成设置streamTrue, streaming_interval2.0即可边生成边输出音频片段适合对话机器人等低延迟场景见 README.md。❓ 常见问题FAQQ1没有参考音频能合成吗可以。ref_audio是可选参数不提供时模型使用默认音色。Q2为什么一定要 48kHz16kHz 不行吗16kHz 只能覆盖人声基本频段适合电话语音48kHz 能保留更丰富的音色细节与高频泛音听感更通透接近专业录音标准。Q38bit 量化会损失音质吗本仓库采用 group size 64 的 int8 量化主要压缩模型体积与加速推理对最终音频的听感影响非常小是速度与体积的均衡之选。 小结MOSS-TTS-Local-Transformer 与 MOSS-Audio-Tokenizer-v2 的协作本质上是一条语义 → 离散音码 → 高解析波形的流水线Qwen3 主干负责理解1 层本地 Transformer 负责发声Tokenizer-v2 负责还原。配合 8bit 量化与流式支持你只需约 4.6 GB 空间就能在本地获得 48kHz 立体声、可克隆任意音色的语音合成能力 赞分享【免费下载链接】MOSS-TTS-Local-Transformer-v1.5-8bit项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/MOSS-TTS-Local-Transformer-v1.5-8bit点击查看免费下载相关推荐mlx-audio上手教程MOSS-TTS-Local-Transformer的load/generate API完整参考mlx audio上手教程MOSS TTS Local Transformer的load/generate API完整参考 MOSS TTS Local TrPDF补丁丁PDFPatcher免费完整的 PDF 书签编辑、文件合并与页面处理工具箱PDF补丁丁PDFPatcher免费完整的 PDF 书签编辑、文件合并与页面处理工具箱 你下载的一份 PDF打开后左侧目录栏空空如也或者书签树倒是全的桌面应用AtlasOS显卡优化完全指南3步如何多榨出25%性能AtlasOS显卡优化完全指南3步如何多榨出25%性能 AtlasOS 是一个开源的 Windows 轻量改造项目用 Playbook 机制一键批量落地隐私文档教程人工智能大模型RLHF上一篇ECharts Java 类库常见问题解决方案下一篇Nuxt Content 技术文档创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考