MOSS-TTS-Nano：1 亿参数，纯 CPU 可跑的开源 TTS 新方案

GitHub: OpenMOSS/MOSS-TTS-Nano | ⭐ 1,600+ | Apache-2.0 | 复旦大学 OpenMOSS 团队 + 模思智能（MOSI.AI）

如果你想在自己的产品里加语音输出功能，又不想买 GPU 服务器——这个项目可能是目前最好的开源选择。

它是什么？

MOSS-TTS-Nano 是复旦大学 OpenMOSS 团队联合模思智能（MOSI.AI）开源的多语言语音合成模型。

它的核心卖点只有一个数字：0.1B（1 亿参数）。

作为对比：

• ChatTTS：约 10 亿参数
• CosyVoice：3 亿+ 参数
• Fish Speech：10 亿+ 参数
• MOSS-TTS-Nano：1 亿参数

体积小一个数量级，但功能一点不少——声音克隆、实时流式输出、20 种语言、长文本支持，全都有。

为什么值得你关注？

1. 纯 CPU 可跑，甚至单核都行

这是这个项目最炸裂的地方。

大多数开源 TTS 模型需要 GPU 才能流畅运行。MOSS-TTS-Nano 不一样：

• 4 核 CPU 就能跑流式推理
• MacBook Air M4 只需要 1 个 CPU 核 就能流畅运行
• 官方提供 ONNX CPU 版，推理效率比原版快近 2 倍
• ONNX 版不需要 PyTorch，部署极简

换句话说，任何一台现代电脑都能跑 TTS，不需要显卡，不需要云服务器，不需要调用收费 API。

2. 声音克隆：给一段音频就能模仿

这是 MOSS-TTS-Nano 的主要使用方式。你只需要几秒到十几秒的参考音频，它就能克隆音色，然后用这个声音读出任意文字。

python infer.py \
  --prompt-audio-path 你的声音.wav \
  --text "你好，这是一段语音合成测试。"

输出：generated_audio/infer_output.wav

3. 流式输出：边生成边播放

支持 streaming inference，延迟低，第一帧音频出得快。这意味着你可以把它用在实时语音播报、AI 语音助手、客服系统等需要"说"的场景里。

4. 20 种语言

中文、英语是主打，还支持德语、西班牙语、法语、日语、意大利语、韩语、俄语、阿拉伯语、土耳其语、希腊语等 20 种语言。

5. 长文本自动分块

输入几千字的文章？没问题。它会自动分块处理，不会因为文本太长就崩。

技术架构

纯自回归：Audio Tokenizer + LLM

文本 → Audio Tokenizer → LLM (0.1B) → 音频 Token → 48kHz 立体声

不是 VITS、不是扩散模型、不是 VAE。就是把语音生成当成语言模型生成——一个 token 一个 token 地预测音频 token。

这种架构的好处：

• 推理简单，容易优化
• 天然支持流式输出
• 参数少，训练和部署成本低

输出格式是 48kHz、2 声道，质量足够用于产品级场景。

快速上手

安装

git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git
cd MOSS-TTS-Nano
pip install -r requirements.txt
pip install -e .

生成语音

moss-tts-nano generate \
  --prompt-speech assets/audio/zh_1.wav \
  --text "你好，我是烧饼。"

默认输出到 generated_audio/moss_tts_nano_output.wav。

ONNX CPU 版（推荐）

moss-tts-nano generate \
  --backend onnx \
  --prompt-speech assets/audio/zh_1.wav \
  --text "ONNX 版更快，不需要 PyTorch。"

启动本地 Web 界面

python app_onnx.py
# 浏览器打开 http://127.0.0.1:18083

不只是模型：产品矩阵

这个项目已经不只是"一个模型文件"了，而是一个产品生态：

其中 Reader 是一个 Chrome 扩展，安装后可以在浏览器里直接用 MOSS-TTS-Nano 朗读网页——这已经是一个面向终端用户的产品了，不只是开发者的玩具。

和其他开源 TTS 的对比

如果你最关心的是部署门槛和运行成本，MOSS-TTS-Nano 目前是开源 TTS 里门槛最低的方案之一。

适合什么场景？

非常适合：

• AI 产品加语音输出（客服、助手、播报）
• 本地部署 TTS，不想调用收费 API
• 有声书、播客、视频配音
• 新闻自动生成语音版
• 教育产品里的朗读功能
• 需要声音克隆但预算有限

不太适合：

• 对音质有极高要求的专业场景（广播级配音）
• 需要极高表现力（情感丰富、戏剧化表演）
• 已经有成熟的商业 TTS 方案且不想切换

安装踩坑提醒

中文文本归一化依赖 pynini + WeTextProcessing，安装时可能遇到问题：

# 推荐用 conda
conda create -n moss-tts-nano python=3.12 -y
conda activate moss-tts-nano
conda install -c conda-forge pynini=2.1.6.post1 -y
pip install git+https://github.com/WhizZest/WeTextProcessing.git
pip install -r requirements.txt
pip install -e .

如果不用 conda，需要自己找对应 Python 版本的 pynini wheel。

冷静的看法

优点：

• 1 亿参数跑 TTS 是目前最小的开源方案之一
• 纯 CPU 可跑，Mac M4 单核都行
• ONNX 版推理效率高，部署极简
• 声音克隆 + 长文本 + 流式输出，功能完整
• Apache-2.0 许可，商用无限制
• 已有浏览器扩展，落地路径清晰
• 微调代码已开源，可训练专属声音

需要注意的：

• 4 月 10 号才发布，项目还比较新，社区积累不够
• 音色质量可能不如更大参数的模型（毕竟只有 0.1B）
• 微调代码刚开源，效果和稳定性待验证
• 中文文本归一化安装可能踩坑
• 20 种语言里，中文和英文效果最好，其他语言质量待验证

总结

MOSS-TTS-Nano 是目前最小、最容易部署的开源 TTS 方案之一。1 亿参数、纯 CPU 可跑、声音克隆、流式输出、20 种语言——这些能力放在两年前至少需要几百亿参数和一堆 GPU。

如果你在做需要语音输出的产品，或者想在自己的服务器上加 TTS 能力，这个项目值得一试。

仓库：https://github.com/OpenMOSS/MOSS-TTS-Nano 论文：https://arxiv.org/abs/2603.18090 在线 Demo：https://openmoss.github.io/MOSS-TTS-Nano-Demo/ Hugging Face：https://huggingface.co/OpenMOSS-Team/MOSS-TTS-Nano

标签：MOSS-TTS-Nano, TTS, 语音合成, 开源, 声音克隆, CPU 推理, 复旦大学, Apache-2.0, ONNX