MOSS-VoiceGenerator

Tam metin ve ses talimatından yerel MLX ile ses tasarımı. Referans kaydı gerekmeden 24 kHz mono PCM üretir.

MOSS-VoiceGenerator BF16 dil ağırlıklarını ve FP32 sentez kodeğini korur. Artımlı PCM için --stream kullanın. --language seçeneğini atlayıp dil gereksinimini --instruct içine yazın. Bitişte on altı kod kitabının tamamı boşaltılır.

SDK kaynak derlemesi

Uygulama (PR #541): main

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

Yayımlanmış MLX paketleri: aufklarer/MOSS-VoiceGenerator-MLX-bf16

Komut satırı

.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

Bir metin, --instruct ve tam olarak bir paket dizini ya da uyumlu model kimliği verin. Referans ses, sabit konuşmacılar ve toplu giriş desteklenmez.

Metin ve talimat alanlarının her biri 32.768 UTF-8 baytla sınırlıdır. Şablon dahil oluşturulmuş giriş isteminin tamamı 4.096 token içine sığmalıdır. Herhangi bir sınırı aşan girişler reddedilir.

Talimatlı TTS seçenekleri

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()

Kısa metin çalışma ölçümleri

M5 Pro, 48 GiB, Release. Dil başına kısa ve nötr bir metin; ilk istekten sonraki üç sıcak isteğin medyanı. Yükleme ve ağırlık doğrulaması hariçtir; dosya önbelleği sıcaktı. RTF = çalışma süresi / ses süresi; düşük değer daha hızlıdır. Fiziksel bellek, yükleme ve dört istekteki süreç tepe değeridir; ondalık GB cinsindendir.

İngilizce zamanlama sesinde çözülmemiş bir tanıyıcı uyuşmazlığı var: Parakeet sona “and” eklerken Qwen3-ASR tam metni doğru tanır. İki sonuç da korunuyor.

Doğrulama kapsamı

Talimat izleme kalitesi henüz puanlanmadı. Kısa metin ölçümleri test edilen kurulumu gösterir; mevcut modellerin gecikme regresyonu doğrulaması sonuçsuzdur.

Yerel talimatlı TTS

Kaynaklar

• MOSS-VoiceGenerator
• MOSS-Audio-Tokenizer
• Speech Swift