MOSS-TTSD
OpenMOSS/MOSS-TTSDRevisado por IA
Revisado por RepoPicks Radar el
¿Qué es MOSS-TTSD?
MOSS-TTSD convierte un diálogo escrito en una conversación hablada: de 1 a 5 hablantes, hasta 60 minutos en una sola sesión, en 20 idiomas, con cada voz copiada de una grabación de referencia corta. Los autores lo orientan a podcasts, audiolibros, doblaje y comentarios de deportes o esports. El modelo tiene 8 mil millones de parámetros y la configuración documentada espera Python 3.12, una tarjeta gráfica NVIDIA y comandos en una terminal; los autores también ofrecen una demo gratuita en línea para probar primero. Gratuito bajo Apache-2.0, con los archivos del modelo descargados desde Hugging Face.
MOSS-TTSD es gratis y de código abierto (Apache-2.0) y puede reemplazar a ElevenLabs, NotebookLM y Descript.
¿Qué tan fácil es instalar MOSS-TTSD?
A · descarga y abre · Web
- Windows D
- Linux D
- Web A
La forma más fácil de entrar es la web, con calificación A: los autores mantienen un Space gratuito de Hugging Face, así que abres una página y escuchas. Ejecutarlo tú mismo es D en Linux y Windows: `conda create -n moss_ttsd python=3.12`, `pip install -r requirements.txt` y `pip install flash-attn`, donde requirements.txt fija las compilaciones de CUDA `torch==2.9.1+cu128` y `torchaudio==2.9.1+cu128`, así que se asume una tarjeta NVIDIA; luego escribes un script de Python o un archivo JSONL y ejecutas `python inference.py`. macOS no recibe calificación porque los paquetes de CUDA fijados y flash-attn no son para máquinas de Apple.
MOSS-TTSD en GitHub
- Estrellas
- 1420el 10 nov 2026
- Descargas
- —todas las versiones
- Crecimiento
- +4estrellas en 6 días
Estrellas a lo largo del tiempo
Datos
- Funciona en
- Windows, Linux, Web
- Necesitas instalar
- Python, Tarjeta NVIDIA
- Para compilar desde el código
- Python, Tarjeta gráfica
- Espacio en disco
- 950 MB–4,3 GB · estimación
- Cuentas o claves
- Ninguna
- Costo
- Gratis · Software gratuito bajo Apache-2.0 y archivos de modelo gratuitos. El costo es el hardware: un modelo de 8B necesita una tarjeta gráfica con suficiente memoria, y el README advierte sobre "VRAM fragmentation" si "GPU memory is tight".
- Licencia
- Apache-2.0 (Permisiva)
- Puede reemplazar
- ElevenLabs, NotebookLM, Descript
- Último cambio en GitHub
- 6 sept 2026
Señales de riesgo de MOSS-TTSD (8)
- AtenciónDependencias con vulnerabilidades conocidas
Dependencias fijadas con vulnerabilidades conocidas (OSV): torch: GHSA-63cw-57p8-fm3p, GHSA-qfhq-4f3w-5fph, GHSA-rrmf-rvhw-rf47; transformers: GHSA-29pf-2h5f-8g72, GHSA-fgcw-684q-jj6r, GHSA-x9r9-c232-4q39; orjson: GHSA-hx9q-6w63-j58v, PYSEC-2026-107; gradio: GHSA-39mp-8hj3-5c49, GHSA-6655-8ph2-63j3, GHSA-7hp7-4p35-3cx2
revisión automática
- Atencióncopia voces a partir de muestras cortas
La descripción del proyecto promete "zero-shot voice cloning" y el modo recomendado es `--mode voice_clone_and_continuation`, alimentado con `prompt_audio_speaker1` hasta `prompt_audio_speaker5`. El propio Usage Disclaimer del README dice: "Users must not use this model for unauthorized voice cloning, impersonation, fraud, scams, deepfakes, or any illegal activities" — el deseo queda por escrito, pero nada en el código verifica el consentimiento ni marca el audio que produce.
revisión con IA
- Atenciónel ejemplo del readme inventa una conversación entre personas reales
El ejemplo de Quick Start clona dos voces a partir de `asset/reference_02_s1.wav` y `asset/reference_02_s2.wav`, cuyas transcripciones son "In short, we embarked on a mission to make America great again for all Americans" y "NVIDIA reinvented computing for the first time after 60 years", y luego las hace mantener una discusión inventada sobre China que termina "It's a disaster, Jensen. A total disaster." La primera demostración del proyecto consiste en palabras puestas en boca de figuras públicas reconocibles.
revisión con IA
- Atenciónejecuta código descargado junto con el modelo
Las llamadas documentadas son `AutoProcessor.from_pretrained(..., trust_remote_code=True)` y `AutoModel.from_pretrained(..., trust_remote_code=True)`, y el servidor se inicia con `sglang serve ... --trust-remote-code`. Ese parámetro permite que archivos de Python guardados junto a los pesos en Hugging Face se ejecuten en tu máquina.
revisión con IA
- Atenciónel servidor rápido escucha en todas las direcciones de red
Las instrucciones de SGLang son `sglang serve --model-path <path-to-fused-model> --delay-pattern --trust-remote-code --port 30000 --host 0.0.0.0`. El host 0.0.0.0 significa que cualquier máquina que pueda alcanzar la tuya puede enviar solicitudes a ese puerto, y no se menciona ninguna contraseña ni token.
revisión con IA
- Infola configuración de velocidad usa un motor derivado
Para obtener la ruta más rápida, el README te indica `git clone https://github.com/OpenMOSS/sglang -b moss-ttsd-v1.0-with-cat` y `pip install ./sglang/python[all]` — la propia rama del proyecto de SGLang, que llama "the deeply extended SGLang from OpenMOSS", no la versión oficial.
revisión con IA
- Infolas tablas de comparación son de los propios autores
Las puntuaciones frente a Eleven V3, gemini-2.5-pro-preview-tts, Doubao_Podcast y Vibevoice provienen del propio marco de evaluación TTSD-eval de los autores y sus propios anotadores ("we compute Elo ratings"), publicadas junto con el artículo arXiv:2603.19739. No se cita ninguna prueba independiente.
revisión con IA
- Infono hay versiones publicadas en github
No hay ninguna versión en GitHub; las versiones (v0.5, v0.7, v1.0) existen solo como repositorios de modelos de Hugging Face y entradas de News, con el código antiguo guardado en una carpeta `legacy/`. El último cambio es del 2026-09-06 (63 días antes de esta revisión) y hay 53 issues abiertos frente a 1418 estrellas.
revisión con IA
La evidencia aparece en su idioma original.
Lo que Radar no pudo verificar de MOSS-TTSD
- El uso real de disco y de memoria de video, ya que el modelo tiene 8 mil millones de parámetros y la estimación en los chequeos es una heurística, no una medición
- Si el audio de 60 minutos de verdad se mantiene estable, ya que esa cifra es una afirmación propia de los autores
- Qué tan bien suena el resultado en los 18 idiomas además del chino y el inglés, algo que las tablas publicadas no cubren
- Qué hace el Space de Hugging Face de los autores con el audio de referencia y el script que subes
- Qué archivos de Python llegan junto con los pesos y se ejecutan en tu máquina a través de trust_remote_code