复旦开源的MOSS-TTS-Nano0.1B语音模型，不需要 GPU 4 核 CPU 就能克隆你的声音

宝子们，今天挖到一个”小而猛”的开源语音项目——MOSS-TTS-Nano。
它由 复旦大学 NLP 实验室 × 模思智能 × 上海创智学院 联合开源，参数只有 0.1B（1 亿），却能在纯 CPU、4 核上实时流式出声，音质还是原生 48kHz 双声道立体声，还支持零样本声音克隆和 20 种语言。
简单说：你想给视频配旁白、做数字人配音、出海多语种朗读，但被”显卡劝退”的，这个项目就是为你准备的。

引子：你是不是也被这 4 个问题劝退过？

• 想给视频配旁白 / 做 AI 配音，结果开源 TTS 动辄要显卡，没卡的根本跑不起来？
• 好不容易找个”小模型”，合成出来却是”电话音”——24kHz 单声道，干瘪、没空间感？
• 想克隆自己的声音做数字人，要么要几百 G 显存，要么得微调训练大半天？
• 做出海内容需要多语种配音，现成方案要么贵、要么语种少得可怜？

如果你中了任意一条，那这个 1 亿参数的”小钢炮”值得你花 5 分钟看看。下面先讲清它”强在哪”，再手把手带你从零跑通。

一、这套方案是什么

MOSS-TTS-Nano是 MOSI.AI（模思智能）与 OpenMOSS 团队开源的多语言微型语音生成模型，定位非常明确：

在 TTS 部署里最重要的三件事上做减法——小体积、低延迟、够用的实时音质，外加极简的本地部署。

• 项目地址：
• 出品方：复旦大学自然语言处理实验室 × 模思智能 × 上海创智学院
• 参数量：0.1B（主模型）+ 约 20M 的 Audio Tokenizer ≈ 120M，模型权重仅几百 MB
• 架构：纯自回归 Audio Tokenizer + LLM（Global & Local 双 Transformer，”大脑统筹 + 嘴巴快跑”）
• 输出规格：原生 48 kHz、双声道（立体声）——这是它最越级的一点
• 协议：Apache 2.0（以仓库根 LICENSE 文件为准），可商用、可改
• 在线 Demo：

二、为什么是 MOSS-TTS-Nano：它到底好在哪（重点）

2.1 先看痛点：主流开源 TTS 的”不可能三角”

MOSS-TTS-Nano 的解法是：参数做减法，音质和语种做升舱——用极致架构把”实时 + 立体声 + 克隆 + 多语”塞进了 1 亿参数里。

2.2 八大优点，逐条说清楚

① 极致轻量：1 亿参数，权重几百 MB对比 ChatTTS 约 0.2B、Fish-Speech / CosyVoice 动辄数百 M~数 B，Nano 体积小到能塞进浏览器插件和手机。

② 真·CPU 可跑，不要显卡流式生成4 核 CPU 即可实时推理；ONNX CPU 版在 MacBook Air M4 上单核就能流畅跑。迷你主机、旧笔记本、甚至边缘设备都能本地合成。

③ 音质越级：原生 48kHz 双声道立体声主流零样本 TTS 大多卡在 24kHz 单声道，听起来像”电话音”。Nano 原生 48kHz 立体声，保留呼吸声、环境混响和空间方位感，彻底摆脱干瘪感。

④ 零样本声音克隆：3–5 秒参考音频即可录一小段参考音频，它就能精准复刻你的音色、发音习惯，无需训练、无需微调，直接出结果。

⑤ 20 种语言，出海友好中文、英文、日、韩、法、德、西、俄、意、葡、阿、波斯……等20 种语言。用一种声音作参考，就能让它”说”地道外语，适配全球化 AI 助手。

⑥ 极低延迟：100ms 内出声低首 token 延迟 + 流式解码，天然适配语音助手、虚拟数字人的实时连续对话场景。

⑦ 部署极简，ONNX 版更轻更快提供 infer.py、app.py、打包CLI、Web Demo，一键启动。ONNX CPU 版推理期不依赖 PyTorch，效率较原版接近翻倍，还能走 CUDA。

⑧ 开源可商用 + 生态完整Apache 2.0 协议；家族还有浏览器插件MOSS-TTS-Nano-Reader、Android 示例、微调代码，官方还给了论文和 API 文档。

2.3 横向对比：它和主流开源 TTS 差在哪

说明：对比依据各项目公开定位与社区评测整理，非逐版本实测；具体能力以官方最新版文档为准。一句话总结——MOSS-TTS-Nano 不是”最好听”的 TTS，但很可能是最容易部署、最适合本地/边缘跑的开源语音克隆方案。

2.4 适合谁 / 不适合谁

✅适合你，如果：

• 没显卡、只有笔记本/迷你主机，想本地跑 TTS；
• 做视频旁白、AI 配音、播客，需要”能听”的高性价比方案；
• 做数字人 / 对话机器人，要求低延迟实时出声；
• 做出海内容，需要多语种配音；
• 隐私控，希望语音本地合成不出云。

❌可能不适合，如果：

• 追求录音棚级”极致听感”（它够用但不是该赛道的天花板）；
• 完全不愿装 Python / Conda 环境；
• 需要超精细的”长样本定制音色训练”。

三、部署前准备

• 系统：Windows / Linux / macOS 均可（本文以 Windows 为例，命令通用）
• Python：3.12（注意：3.14 太新，ONNX Runtime 暂不支持，别踩坑）
• 环境管理：强烈建议用 Conda 隔离依赖
• 硬件：任意能跑 Python 的机器；想快就上 GPU（可选）
• 联网：首次运行会自动从 HuggingFace 下载模型权重（国内可用 ModelScope 镜像加速）

四、安装（Conda 推荐方式）

4.1 创建并激活环境

conda create -n moss-tts-nano python=3.12 -yconda activate moss-tts-nano

4.2 克隆仓库并安装

git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.gitcd MOSS-TTS-Nano pip install -r requirements.txtpip install -e .

装完后，本地就能直接用 moss-tts-nano 命令；代码默认加载 OpenMOSS-Team/MOSS-TTS-Nano 与 OpenMOSS-Team/MOSS-Audio-Tokenizer-Nano。

4.3 依赖坑：WeTextProcessing / pynini 装不上怎么办

不少人在这一步翻车。官方给的稳妥解法是先装 pynini，再装 WeTextProcessing：

conda install -c conda-forge pynini=2.1.6.post1 -ypip install git+https://github.com/WhizZest/WeTextProcessing.gitpip install -r requirements.txt

非 Conda 用户：先去找对应 Python 版本 / 平台的 pynini wheel 装上，再装 WeTextProcessing（详见仓库 Issue #6）。

五、第一次跑通：语音克隆推理

仓库自带示例参考音频。用 infer.py 做语音克隆（这是官方主推工作流）：

python infer.py \  --prompt-audio-path assets/audio/zh_1.wav \  --text ”欢迎关注模思智能、上海创智学院与复旦大学自然语言处理实验室。”

• --prompt-audio-path
  
  ：你的参考音频（3–5 秒即可，越干净越好）
• --text
  
  ：要合成的文字
• 默认输出：generated_audio/infer_output.wav

把 zh_1.wav 换成你自己的录音，就能”用自己的声音读任何话”。

六、本地 Web Demo（浏览器里点着玩）

python app.py

然后浏览器打开 **http://127.0.0.1:18083**，可视化上传参考音频、输入文本、试听下载，适合先体验再集成。

七、ONNX CPU 版（重点推荐，更轻更快）

官方现在首推 ONNX CPU 版，尤其适合纯 CPU / 轻量部署：

• 推理期不依赖 PyTorch，只跑 ONNX Runtime CPU；
• 效率较原版接近翻倍；
• 完整保留音色克隆工作流。

python infer_onnx.py \  --prompt-audio-path assets/audio/zh_1.wav \  --text ”Welcome to the ONNX Runtime CPU demo.”

想走 GPU（需先装 GPU 版 ONNX Runtime）：

pip uninstall -y onnxruntimepip install ”onnxruntime-gpu>=1.20.0” python infer_onnx.py \  --execution-provider cuda \  --prompt-audio-path assets/audio/zh_1.wav \  --text ”Welcome to the ONNX Runtime CUDA demo.”

模型自动下载：首次运行若本地 ./models 没有权重，会自动从以下 HuggingFace 仓库拉取（国内慢可用 ModelScope 镜像）：

• OpenMOSS-Team/MOSS-TTS-Nano-100M-ONNX
• OpenMOSS-Team/MOSS-Audio-Tokenizer-Nano-ONNX

ONNX 版也有 Web Demo：python app_onnx.py（CUDA 加 –execution-provider cuda），同样开 **http://127.0.0.1:18083**。

八、CLI 命令（集成到脚本最方便）

装了 pip install -e . 后，直接用打包命令：

# 生成（默认 PyTorch 后端）moss-tts-nano generate \  --prompt-speech assets/audio/zh_1.wav \  --text ”欢迎关注模思智能、上海创智学院与复旦大学自然语言处理实验室。” # 切 ONNX CPU 后端moss-tts-nano generate --backend onnx \  --prompt-speech assets/audio/zh_1.wav --text ”...” # ONNX + CUDAmoss-tts-nano generate --backend onnx --execution-provider cuda \  --prompt-speech assets/audio/zh_1.wav --text ”...” # 起本地服务（浏览器 Demo + HTTP 端点，便于服务化）moss-tts-nano servemoss-tts-nano serve --backend onnx

• 默认输出：generated_audio/moss_tts_nano_output.wav
• 长文本可用 --text-file 传入，内置自动分块策略，长篇也能稳定流式输出

九、进阶玩法

• 浏览器插件 MOSS-TTS-Nano-Reader：基于 ONNX 版，直接在浏览器内本地朗读网页，不用单独部署推理服务（
• Android 示例：examples/android_onnx_runtime，设备端合成短音频写 WAV
• 微调：./finetuning/README.md 提供了微调代码，想定制专属音色可深入
• 导出 TTS-only ONNX：python onnx/export_hf_to_tts_onnx.py --checkpoint-path ... --output-dir ...，便于重训后重新部署

十、常见问题与坑

十一、一句话结论

如果你想要一个”不要显卡、CPU 就能实时跑、音质还是 48kHz 立体声、还能 3 秒克隆你声音、支持 20 种语言”的开源 TTS，MOSS-TTS-Nano 目前几乎是本地部署门槛最低的那个答案。

把它接进你的视频工作流、数字人或出海应用，本地一键合成，隐私不出本机——这波”减负革命”，值得上车。

💬 互动时间你平时用哪个 TTS？是被显卡劝退过，还是被”电话音”劝退过？评论区聊聊，或者说说你最想拿它做什么，我下篇可以专门讲讲”用 MOSS-TTS-Nano 给视频批量配音”的实战。

📌 资料来源

• GitHub 仓库：
• 在线 Demo：
• HuggingFace： （ModelScope 镜像：
• 论文：
• 浏览器插件：
• 部分特性描述参考官方 README 与社区评测（以官方最新版为准）

admin普通

收藏 海报 链接