1亿参数的TTS模型,同类模型起步就是10亿参数,它直接砍了一个零——但能力一点没缩水。MOSS-TTS-Nano来自复旦大学和模思智能的OpenMOSS团队,用0.1B参数实现了48kHz立体声输出、20种语言零样本克隆、100毫秒首音频延迟,MacBook Air M4单核CPU就能流畅运行。
本期视频拆解了MOSS-TTS-Nano的核心架构、音质表现、多语言能力和部署方案:
⏱️ 时间轴 00:05 开场:0.1B参数的TTS模型,凭什么? 00:35 背后团队:复旦+模思智能,MOSS-TTS完整家族 01:03 架构解析:"大脑+嘴巴"设计,120M参数比手机App还小 01:46 音质对比:从16kHz电话音到48kHz立体声 02:14 多语言:一个中文声音说20种语言 02:44 部署:4核CPU就跑、ONNX翻倍、浏览器扩展一键朗读 03:20 家族全景:从8B旗舰到0.1B轻量全覆盖 03:54 总结:不想搭GPU也不想调API,试试这个
项目地址:https://github.com/OpenMOSS/MOSS-TTS-Nano 在线Demo:https://openmoss.github.io/MOSS-TTS-Nano-Demo/ HuggingFace:https://huggingface.co/OpenMOSS-Team/MOSS-TTS-Nano-100M 浏览器扩展:https://github.com/OpenMOSS/MOSS-TTS-Nano-Reader