MOSS-TTS-Nano 是一款以部署优先为设计理念的 TTS 模型，专为实时语音生成、音色克隆和轻量集成而打造。基于音频 Tokenizer + LLM 自回归管线，模型体积足够紧凑，可在 CPU 上实际运行，同时覆盖中文、英文和广泛的多语言场景。
模型将约 2000 万参数的 MOSS-Audio-Tokenizer-Nano 与小型 LLM 配对进行自回归 token 预测。Tokenizer 采用无 CNN 的因果 Transformer 设计，使用 RVQ 16 码本以 12.5 Hz token 流运行——在保持 48 kHz 立体声输出质量的同时实现 0.125–2 kbps 可变比特率。音色克隆完全由一段短参考音频驱动，无需额外微调。
核心特性
模型大小
0.1 B
体积紧凑，支持 CPU 实际推理——无需 GPU。
音频质量
48 kHz 立体声
原生双声道输入输出，完整 48 kHz 采样率。
语言数
20
中文、英文、日语、韩语、西班牙语、法语等。
微型 Tokenizer
~2000 万参数
无 CNN 的因果 Transformer，RVQ 16 码本，12.5 Hz。
比特率
0.125–2 kbps
通过配置码本数量实现可变比特率。
推理
实时
流式推理，低首 token 延迟，长文本自动分块。
模型架构
沿用 MOSS-TTS 技术报告的家族级设计：离散音频 token + 自回归建模 + 大规模预训练。Nano 版本在更小的、以部署为优先的配置中保留了相同的方案。 MOSS-TTS technical report
MOSS-Audio-Tokenizer-Nano
Tokenizer 是一个因果 Transformer 音频编解码器，将 48 kHz 立体声音频压缩为 12.5 fps 的 RVQ token 流，用于可扩展的自回归建模。编码器和解码器各包含 12 个因果 Transformer 块（滑动窗口注意力），量化器使用 16 层 RVQ，保持 token 序列足够紧凑以支持长上下文生成。
20M params · 48kHz stereo · 16-layer RVQ
MOSS-TTS-Nano
在 Tokenizer 之上，MOSS-TTS-Nano 采用基于 Local Transformer 的层级化 token 建模设计。模型不使用 RVQ 感知的时间延迟，而是在每个对齐的时间步将所有 RVQ 层的嵌入求和，将隐藏状态输入单个 Transformer 主干。主干每步产生一个全局隐变量，由轻量自回归 Local Transformer 展开为步内 token 块，依次预测一个文本/填充 token 和 16 个 RVQ 音频 token。
100 M params · Local Transformer · Tiny, Fast and Powerful
模型演示
语言覆盖
日语、韩语、西班牙语、法语、德语、意大利语、匈牙利语、俄语、波斯语、阿拉伯语、波兰语、葡萄牙语、捷克语、丹麦语、瑞典语、希腊语和土耳其语——与中文和英文共同覆盖。