MOSS-TTS-Nano 是由 MOSI.AI 与 OpenMOSS 团队联合开发的开源多语言轻量级语音生成模型。该模型仅包含0.1B 参数，专为实时语音生成设计，无需 GPU 即可直接在CPU 上运行，部署流程简洁，适用于本地演示、网络服务及轻量化产品集成场景。
MOSS-TTS-Nano 专注于 TTS 部署中实际应用最关键的部分：小模型体积、低延迟、满足实时产品需求的音质以及简单的本地部署。它采用纯自回归的音频 Tokenizer + LLM 流水线，确保推理流程对终端用户和网页演示用户都友好易用。
python infer.py、python app.py 及打包的命令行工具MOSS-TTS-Nano 目前支持 20 种语言：
| 语言 | 代码 | 旗帜 | 语言 | 代码 | 旗帜 | 语言 | 代码 | 旗帜 |
|---|---|---|---|---|---|---|---|---|
| Chinese | zh | 🇨🇳 | English | en | 🇺🇸 | German | de | 🇩🇪 |
| Spanish | es | 🇪🇸 | French | fr | 🇫🇷 | Japanese | ja | 🇯🇵 |
| Italian | it | 🇮🇹 | Hungarian | hu | 🇭🇺 | Korean | ko | 🇰🇷 |
| Russian | ru | 🇷🇺 | Persian (Farsi) | fa | 🇮🇷 | Arabic | ar | 🇸🇦 |
| Polish | pl | 🇵🇱 | Portuguese | pt | 🇵🇹 | Czech | cs | 🇨🇿 |
| Danish | da | 🇩🇰 | Swedish | sv | 🇸🇪 | Greek | el | 🇬🇷 |
| Turkish | tr | 🇹🇷 |
我们建议首先创建一个干净的 Python 环境，然后以可编辑模式安装项目，这样 moss-tts-nano 命令就可以在本地使用了。
下面的示例特意将参数保持在最少，并依赖于仓库的默认设置。
默认情况下，代码会加载 OpenMOSS-Team/MOSS-TTS-Nano 和 OpenMOSS-Team/MOSS-Audio-Tokenizer-Nano。
conda create -n moss-tts-nano python=3.12 -y
conda activate moss-tts-nano
git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git
cd MOSS-TTS-Nano
pip install -r requirements.txt
pip install -e .如果通过 requirements.txt 无法安装 WeTextProcessing，请尝试在相同环境中手动安装：
conda install -c conda-forge pynini=2.1.6.post1 -y
pip install git+https://github.com/WhizZest/WeTextProcessing.gitinfer.py 进行声音克隆本仓库提供了用于本地推理的直接 Python 入口。以下示例采用声音克隆模式，这是 MOSS-TTS-Nano 推荐的主要工作流程。
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。"默认情况下，音频会写入 generated_audio/infer_output.wav。
app.py 进行本地 Web 演示您可以启动本地 FastAPI 演示，以进行基于浏览器的测试：
python app.py然后在浏览器中打开 http://127.0.0.1:18083。
moss-tts-nano generate执行 pip install -e . 后，您可以直接调用打包好的命令行工具：
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。"实用说明：
moss-tts-nano generate 默认将音频写入 generated_audio/moss_tts_nano_output.wav。--prompt-speech 是用于语音克隆的参考音频路径的友好别名。--text-file 支持长文本合成。moss-tts-nano serve您也可以通过打包的命令行界面启动网页演示：
moss-tts-nano serve此命令会转发至 app.py，使模型保持加载状态，并提供本地浏览器演示及 HTTP 生成端点服务。
MOSS-Audio-Tokenizer 是整个 MOSS-TTS 系列的统一离散音频接口。它构建于 Cat（Causal Audio Tokenizer with Transformer，因果音频 Transformer 分词器）架构之上，是一款完全由因果 Transformer 块组成的无 CNN 音频分词器。它作为 MOSS-TTS、MOSS-TTS-Nano、MOSS-TTSD、MOSS-VoiceGenerator、MOSS-SoundEffect 和 MOSS-TTS-Realtime 的共享音频骨干网络，为全系列产品提供一致的音频表示。
为在降低推理成本的同时进一步提升感知质量，我们训练了 MOSS-Audio-Tokenizer-Nano——一款轻量级分词器，拥有约 2000 万参数，专为高保真音频压缩设计。它支持 48 kHz 输入输出以及 立体声音频，有助于减少压缩损失并提升聆听体验。它能将 48 kHz 立体声音频 压缩为 12.5 Hz 的令牌流，并采用 16 个码本的 RVQ，可在 0.125 kbps 至 4 kbps 的可变比特率下实现高保真重建。
要了解更多关于设置、高级用法和评估指标的信息，请访问 MOSS-Audio-Tokenizer 仓库
MOSS-Audio-Tokenizer-Nano 架构
| 模型 | Hugging Face | ModelScope |
|---|---|---|
| MOSS-Audio-Tokenizer-Nano |  | |
本仓库将遵循根目录下 LICENSE 文件中指定的许可协议。如果您在该文件发布前查看此内容，请将本仓库视为尚未获得再分发许可。
如果您在研究或产品中使用了 MOSS-TTS 相关成果，请引用：
@misc{openmoss2026mossttsnano,
title={MOSS-TTS-Nano},
author={OpenMOSS Team},
year={2026},
howpublished={GitHub repository},
url={https://github.com/OpenMOSS/MOSS-TTS-Nano}
}@misc{gong2026mossttstechnicalreport,
title={MOSS-TTS Technical Report},
author={Yitian Gong and Botian Jiang and Yiwei Zhao and Yucheng Yuan and Kuangwei Chen and Yaozhou Jiang and Cheng Chang and Dong Hong and Mingshu Chen and Ruixiao Li and Yiyang Zhang and Yang Gao and Hanfu Chen and Ke Chen and Songlin Wang and Xiaogui Yang and Yuqian Zhang and Kexin Huang and ZhengYuan Lin and Kang Yu and Ziqi Chen and Jin Wang and Zhaoye Fei and Qinyuan Cheng and Shimin Li and Xipeng Qiu},
year={2026},
eprint={2603.18090},
archivePrefix={arXiv},
primaryClass={cs.SD},
url={https://arxiv.org/abs/2603.18090}
}@misc{gong2026mossaudiotokenizerscalingaudiotokenizers,
title={MOSS-Audio-Tokenizer: Scaling Audio Tokenizers for Future Audio Foundation Models},
author={Yitian Gong and Kuangwei Chen and Zhaoye Fei and Xiaogui Yang and Ke Chen and Yang Wang and Kexin Huang and Mingshu Chen and Ruixiao Li and Qingyuan Cheng and Shimin Li and Xipeng Qiu},
year={2026},
eprint={2602.10934},
archivePrefix={arXiv},
primaryClass={cs.SD},
url={https://arxiv.org/abs/2602.10934},
}