MOSS-TTSD
OpenMOSS/MOSS-TTSDRevisado por IA
Verificado pelo RepoPicks Radar em
O que é MOSS-TTSD?
O MOSS-TTSD transforma um diálogo escrito em uma conversa falada: de 1 a 5 falantes, até 60 minutos em uma única sessão, em 20 idiomas, com cada voz copiada de uma gravação de referência curta. Os autores o voltam para podcasts, audiolivros, dublagem e comentários de esportes ou esports. O modelo tem 8 bilhões de parâmetros e a configuração documentada espera Python 3.12, uma placa de vídeo NVIDIA e comandos em um terminal; os autores também hospedam uma demo gratuita online para você testar primeiro. Gratuito sob Apache-2.0, com os arquivos do modelo baixados do Hugging Face.
MOSS-TTSD é grátis e de código aberto (Apache-2.0) e pode substituir ElevenLabs, NotebookLM e Descript.
Quão fácil é instalar MOSS-TTSD?
A · baixe e abra · Web
- Windows D
- Linux D
- Web A
O caminho mais fácil é a web, com nota A: os autores mantêm um Space gratuito no Hugging Face, então você abre uma página e escuta. Executá-lo você mesmo é D no Linux e no Windows: `conda create -n moss_ttsd python=3.12`, `pip install -r requirements.txt` e `pip install flash-attn`, em que o requirements.txt fixa as builds de CUDA `torch==2.9.1+cu128` e `torchaudio==2.9.1+cu128`, então uma placa NVIDIA é pressuposta; depois você escreve um script Python ou um arquivo JSONL e executa `python inference.py`. O macOS não recebe nota porque os pacotes de CUDA fixados e o flash-attn não são para máquinas da Apple.
MOSS-TTSD no GitHub
- Estrelas
- 1.420em 10 de nov. de 2026
- Downloads
- —todas as versões
- Crescimento
- +4estrelas em 6 dias
Estrelas ao longo do tempo
Fatos
- Roda em
- Windows, Linux, Web
- Você precisa instalar
- Python, Placa NVIDIA
- Para compilar a partir do código
- Python, Placa de vídeo
- Espaço em disco
- 950 MB–4,3 GB · estimativa
- Contas ou chaves
- Nenhuma
- Custo
- Grátis · Software gratuito sob Apache-2.0 e arquivos de modelo gratuitos. O custo é o hardware: um modelo de 8B precisa de uma placa de vídeo com memória suficiente, e o README avisa sobre "VRAM fragmentation" se "GPU memory is tight".
- Licença
- Apache-2.0 (Permissiva)
- Pode substituir
- ElevenLabs, NotebookLM, Descript
- Última mudança no GitHub
- 6 de set. de 2026
Sinais de risco de MOSS-TTSD (8)
- AtençãoDependências com vulnerabilidades conhecidas
Dependências fixadas com vulnerabilidades conhecidas (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
checagem automática
- Atençãocopia vozes a partir de amostras curtas
A descrição do projeto promete "zero-shot voice cloning" e o modo recomendado é `--mode voice_clone_and_continuation`, alimentado com `prompt_audio_speaker1` até `prompt_audio_speaker5`. O próprio Usage Disclaimer do README diz: "Users must not use this model for unauthorized voice cloning, impersonation, fraud, scams, deepfakes, or any illegal activities" — o desejo fica registrado por escrito, mas nada no código verifica consentimento nem marca o áudio produzido.
revisão por IA
- Atençãoo exemplo do readme inventa uma conversa entre pessoas reais
O exemplo do Quick Start clona duas vozes a partir de `asset/reference_02_s1.wav` e `asset/reference_02_s2.wav`, cujas transcrições são "In short, we embarked on a mission to make America great again for all Americans" e "NVIDIA reinvented computing for the first time after 60 years", e depois as faz manter uma discussão inventada sobre a China que termina em "It's a disaster, Jensen. A total disaster." A primeira demonstração do projeto são palavras colocadas na boca de figuras públicas reconhecíveis.
revisão por IA
- Atençãoexecuta código baixado junto com o modelo
As chamadas documentadas são `AutoProcessor.from_pretrained(..., trust_remote_code=True)` e `AutoModel.from_pretrained(..., trust_remote_code=True)`, e o servidor é iniciado com `sglang serve ... --trust-remote-code`. Essa configuração permite que arquivos Python guardados junto aos pesos no Hugging Face sejam executados na sua máquina.
revisão por IA
- Atençãoo servidor rápido escuta em todos os endereços de rede
As instruções do SGLang são `sglang serve --model-path <path-to-fused-model> --delay-pattern --trust-remote-code --port 30000 --host 0.0.0.0`. O host 0.0.0.0 significa que qualquer máquina capaz de alcançar a sua pode enviar requisições para essa porta, e nenhuma senha ou token é mencionado.
revisão por IA
- Infoa configuração mais rápida usa um motor derivado
Para obter o caminho mais rápido, o README diz para você rodar `git clone https://github.com/OpenMOSS/sglang -b moss-ttsd-v1.0-with-cat` e `pip install ./sglang/python[all]` — o próprio branch do projeto para o SGLang, chamado de "the deeply extended SGLang from OpenMOSS", e não a versão oficial.
revisão por IA
- Infoas tabelas de comparação são dos próprios autores
As pontuações contra Eleven V3, gemini-2.5-pro-preview-tts, Doubao_Podcast e Vibevoice vêm do próprio framework de avaliação TTSD-eval dos autores e de seus próprios anotadores ("we compute Elo ratings"), publicadas junto com o artigo arXiv:2603.19739. Nenhum teste independente é citado.
revisão por IA
- Infonenhuma versão publicada no github
Não há nenhum release no GitHub; as versões (v0.5, v0.7, v1.0) existem só como repositórios de modelos no Hugging Face e entradas de News, com o código antigo guardado em uma pasta `legacy/`. O último commit é de 2026-09-06 (63 dias antes desta checagem) e há 53 issues abertas contra 1418 estrelas.
revisão por IA
As evidências aparecem no idioma original.
O que o Radar não conseguiu verificar em MOSS-TTSD
- O uso real de disco e de memória de vídeo, já que o modelo tem 8 bilhões de parâmetros e a estimativa nas checagens é uma heurística, não uma medição
- Se o áudio de 60 minutos realmente se mantém estável, já que esse número é uma afirmação dos próprios autores
- Quão bom é o resultado nos 18 idiomas além do chinês e do inglês, algo que as tabelas publicadas não cobrem
- O que o Space no Hugging Face dos autores faz com o áudio de referência e o script que você envia
- Quais arquivos Python chegam junto com os pesos e são executados na sua máquina por meio do trust_remote_code