MOSS-TTSD
OpenMOSS/MOSS-TTSDAI 已审核
RepoPicks Radar 检查于
MOSS-TTSD 是什么?
MOSS-TTSD 能把一段写好的对话变成有声对话:1 到 5 个说话人,单次会话最长 60 分钟,支持 20 种语言,每个声音都从一段简短的参考录音复制而来。作者把它用在播客、有声书、配音以及体育或电竞解说等场景。模型有 80 亿参数,文档中的配置要求 Python 3.12、一张 NVIDIA 显卡和终端命令;作者还提供了一个免费在线演示可以先试用。基于 Apache-2.0 协议免费提供,模型文件从 Hugging Face 下载。
MOSS-TTSD 免费开源(Apache-2.0),可以替代 ElevenLabs、NotebookLM和Descript。
MOSS-TTSD 安装有多容易?
A · 下载即用 · Web
- Windows D
- Linux D
- Web A
最简单的入门方式是网页版,评级为 A:作者提供了一个免费的 Hugging Face Space,你只需打开页面收听即可。在 Linux 和 Windows 上自己运行的评级是 D:`conda create -n moss_ttsd python=3.12`、`pip install -r requirements.txt` 和 `pip install flash-attn`,其中 requirements.txt 固定了 CUDA 版本的 `torch==2.9.1+cu128` 和 `torchaudio==2.9.1+cu128`,所以默认假设你有一张 NVIDIA 显卡;之后你要编写一个 Python 脚本或一个 JSONL 文件,再运行 `python inference.py`。macOS 没有评级,因为固定的 CUDA 依赖包和 flash-attn 都不适用于苹果电脑。
MOSS-TTSD 的 GitHub 数据
- 星标
- 1,4202026年11月10日
- 下载量
- —所有发布版本
- 增长
- +46 天内新增星标
星标变化
事实
- 可运行于
- Windows, Linux, Web
- 需要安装
- Python, NVIDIA 显卡
- 从源码编译需要
- Python, 显卡
- 磁盘空间
- 950 MB–4.3 GB · 估算
- 账号或密钥
- 无
- 费用
- 免费 · 软件基于 Apache-2.0 协议免费提供,模型文件也是免费的。成本在于硬件:80 亿参数的模型需要一张显存足够的显卡,README 还提醒,如果 "GPU memory is tight" 可能出现 "VRAM fragmentation"。
- 许可证
- Apache-2.0 (宽松型)
- 可以替代
- ElevenLabs, NotebookLM, Descript
- GitHub 上的最近改动
- 2026年9月6日
MOSS-TTSD 的风险信号 (8)
- 注意依赖存在已知漏洞
固定版本的依赖存在已知漏洞(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
自动检查
- 注意从简短样本中复制声音
项目简介承诺提供 "zero-shot voice cloning",推荐模式是 `--mode voice_clone_and_continuation`,输入 `prompt_audio_speaker1` 到 `prompt_audio_speaker5`。README 自己的 Usage Disclaimer 写道:"Users must not use this model for unauthorized voice cloning, impersonation, fraud, scams, deepfakes, or any illegal activities"——这个愿望写在了文档里,但代码本身并不会检查是否取得同意,也不会在生成的音频上做标记。
AI 审核
- 注意readme的示例编造了真实人物之间的对话
Quick Start 示例从 `asset/reference_02_s1.wav` 和 `asset/reference_02_s2.wav` 克隆了两个声音,它们的文本分别是 "In short, we embarked on a mission to make America great again for all Americans" 和 "NVIDIA reinvented computing for the first time after 60 years",然后让它们围绕中国进行一场编造的争论,结尾是 "It's a disaster, Jensen. A total disaster." 这个项目的第一个演示,就是把话硬塞进可识别的公众人物嘴里。
AI 审核
- 注意运行随模型一起下载的代码
文档中给出的调用是 `AutoProcessor.from_pretrained(..., trust_remote_code=True)` 和 `AutoModel.from_pretrained(..., trust_remote_code=True)`,服务器启动命令是 `sglang serve ... --trust-remote-code`。这个设置允许保存在 Hugging Face 权重旁边的 Python 文件在你的机器上运行。
AI 审核
- 注意快速服务器监听所有网络地址
SGLang 的说明是 `sglang serve --model-path <path-to-fused-model> --delay-pattern --trust-remote-code --port 30000 --host 0.0.0.0`。主机地址 0.0.0.0 意味着任何能连到你机器的设备都可以向这个端口发送请求,而且没有提到任何密码或令牌。
AI 审核
- 信息加速方案使用了一个分支版本的引擎
为了走更快的路径,README 让你执行 `git clone https://github.com/OpenMOSS/sglang -b moss-ttsd-v1.0-with-cat` 和 `pip install ./sglang/python[all]`——这是项目自己的 SGLang 分支,他们称之为 "the deeply extended SGLang from OpenMOSS",而不是官方发布版本。
AI 审核
- 信息对比表格来自作者自己
与 Eleven V3、gemini-2.5-pro-preview-tts、Doubao_Podcast 和 Vibevoice 的对比分数,来自作者自己的 TTSD-eval 评测框架和他们自己的标注员("we compute Elo ratings"),与论文 arXiv:2603.19739 一同发布。没有引用任何独立测试。
AI 审核
- 信息github上没有发布过版本
GitHub 上完全没有发布版本;版本(v0.5、v0.7、v1.0)只以 Hugging Face 模型仓库和 News 条目的形式存在,旧代码保存在一个 `legacy/` 文件夹里。最近一次提交是在 2026-09-06(本次检查前 63 天),有 53 个未关闭的 issue,对应 1418 个星标。
AI 审核
证据以原始语言显示。
Radar 无法验证的 MOSS-TTSD 相关内容
- 实际占用的磁盘和显存,因为这个模型有 80 亿参数,而检查里的估算只是一种经验推测,不是实测数据
- 60 分钟的音频是否真的能保持稳定,因为这个数字是作者自己的说法
- 除了中文和英文之外的 18 种语言,效果听起来如何,这一点已发布的表格并未涉及
- 作者的 Hugging Face Space 会如何处理你上传的参考音频和脚本
- 哪些 Python 文件会随着权重一起下载,并通过 trust_remote_code 在你的机器上运行