MOSS-VoiceGenerator

प्रयोगात्मक

नेटिव SDK समर्थन को main स्रोत से बिल्ड करें। Homebrew और अन्य प्रीबिल्ट CLI रिलीज़ में ये इंजन अभी शामिल न भी हों।

सटीक स्क्रिप्ट और आवाज़ के निर्देश से मूल MLX में आवाज़ डिज़ाइन करें। 24 kHz मोनो PCM; संदर्भ रिकॉर्डिंग आवश्यक नहीं है।

MOSS-VoiceGenerator BF16 भाषा भार और FP32 संश्लेषण कोडेक रखता है। क्रमिक PCM के लिए --stream प्रयोग करें। --language छोड़ें और भाषा की शर्त --instruct में दें। समाप्ति से पहले सभी सोलह कोडबुक पूरी होती हैं।

SDK का स्रोत से बिल्ड

कार्यान्वयन (PR #541): main

git clone --single-branch --branch main https://github.com/soniqo/speech-swift.git
cd speech-swift
make build

प्रकाशित MLX बंडल: aufklarer/MOSS-VoiceGenerator-MLX-bf16

कमांड लाइन

.build/release/speech speak "The little boat crossed the quiet lake before sunset." \
  --engine moss-voicegenerator \
  --moss-voicegenerator-model-id aufklarer/MOSS-VoiceGenerator-MLX-bf16 \
  --instruct "A warm adult female voice, speaking English slowly." \
  --stream --seed 42 --output moss.wav

एक टेक्स्ट तर्क, --instruct और बंडल निर्देशिका या संगत मॉडल ID में से ठीक एक दें। संदर्भ ऑडियो, तय वक्ता और बैच इनपुट समर्थित नहीं हैं।

पाठ और निर्देश के हर फ़ील्ड की सीमा 32,768 UTF-8 बाइट है। टेम्पलेट समेत पूरा रेंडर किया गया इनपुट प्रॉम्प्ट 4,096 टोकन के भीतर होना चाहिए। किसी भी सीमा से बड़े इनपुट अस्वीकार किए जाते हैं।

निर्देश आधारित TTS विकल्प

Swift API

import MossVoiceGeneratorTTS

let model = try await MossVoiceGeneratorModel.fromPretrained(
    modelId: "aufklarer/MOSS-VoiceGenerator-MLX-bf16")
let output = try await model.generate(
    text: "The little boat crossed the quiet lake before sunset.",
    instruction: "A warm adult female voice, speaking English slowly.",
    options: .init(maxFrames: 150, seed: 42))
let pcm = output.samples
model.unload()

छोटे पाठ के रनटाइम माप

M5 Pro, 48 GiB, Release। हर भाषा में एक छोटा तटस्थ पाठ; पहले अनुरोध के बाद तीन वार्म अनुरोधों का मध्यक। लोडिंग और वज़न सत्यापन शामिल नहीं हैं; फ़ाइल कैश गर्म थे। RTF = रनटाइम / ऑडियो अवधि; कम मान तेज़ है। भौतिक मेमोरी लोडिंग और चार अनुरोधों में प्रक्रिया का सर्वोच्च मान है, दशमलव GB में।

पाठ	ऑडियो (s)	वार्म पहला PCM (s)	RTF	अधिकतम भौतिक मेमोरी (GB)
अंग्रेज़ी	3.44	0.470	0.610	8.448
मंदारिन	4.88	0.457	0.572	8.619

अंग्रेज़ी टाइमिंग ऑडियो पर पहचानकर्ताओं में मतभेद अनसुलझा है: Parakeet अंत में “and” जोड़ता है, Qwen3-ASR पूरा पाठ सही पहचानता है। दोनों परिणाम सुरक्षित हैं।

सत्यापन का दायरा

निर्देश पालन की गुणवत्ता अभी स्कोर नहीं हुई है। छोटे पाठ के माप केवल जाँचे गए सेटअप को दिखाते हैं; मौजूदा मॉडलों की विलंबता रिग्रेशन जाँच अनिर्णायक है।

मूल निर्देश आधारित TTS