概要
MOSS-TTS ファミリーは、テキスト音声変換、音声クローニング、効果音生成、リアルタイムストリーミング処理などのモデルを提供します。多言語合成とファインチューニングをサポートし、効率的な推論バックエンドを備えており、高い表現力と複雑な実世界のシナリオに適しています。
README プレビュー
# MOSS-TTS Family\n\n\n\n\n \n \n \n\n\n\n\n\n \n \n \n \n \n\n \n \n \n \n \n\n\n\n[English](README.md) | [简体中文](README_zh.md)\n\n\nMOSS‑TTS Family is an open‑source **speech and sound generation model family** from [MOSI.AI](https://mosi.cn/#hero) and the [OpenMOSS team](https://www.open-moss.com/). It is designed for **high‑fidelity**, **high‑expressiveness**, and **complex real‑world scenarios**, covering stable long‑form speech, multi‑speaker dialogue, voice/character design, environmental sound effects, and real‑time streaming TTS.\n\n\n## News\n* 2026.5.26: 🚀 Released [MOSS-SoundEffect-v2.0](https://huggingface.co/OpenMOSS-Team/MOSS-SoundEffect-v2.0), a new text-to-audio model using a **DiT backbone with the Flow Matching objective**, generating **48 kHz** bilingual sound effects up to **30 seconds** — see [`moss_soundeffect_v2/`](https://github.com/OpenMOSS/MOSS-TTS/tree/main/moss_soundeffect_v2).\n* 2026.5.26: 🚀 Released [MOSS-TTS-v1.5](https://huggingface.co/OpenMOSS-Team/MOSS-TTS-v1.5), with stronger multilingual synthesis when language tags are provided, more stable voice cloning, better long-reference short-text cloning, punctuation-following prosody, and explicit pause control via `[pause X.Ys]`.\n* 2026.5.6: 🚀 MOSS-TTS and MOSS-Audio-Tokenizer now support `mlx-audio`. Visit the [mlx-audio GitHub repository](https://github.com/Blaizzy/mlx-audio) for details.\n* 2026.4.29: 📝 MOSS-TTS 2.0 is coming soon! We are collecting TTS feedback, suggestions, and feature requests via the [requirements collection form](https://acnc6zeentra.feishu.cn/share/base/form/shrcnyAe1LwqKWjCSuW4wiZ2Hef).\n* 2026.4.13: 🚀 MOSS-TTS-Nano, our ~100M-parameter model, is now available! It supports multilingual voice cloning, 48 kHz stereo input/output, and streaming output on just 4 CPU cores. Check the [GitHub repository](https://github.com/OpenMOSS/MOSS-TTS-Nano) and our [blog](https://openmoss.github.io/MOSS-TTS-Nano-Demo/) for more detai
FAQ (3)
トラブル対応/api/v1/voices の公開音声 API エンドポイントが音声データを返さない問題を修正するにはどうすればよいですか？
トラブル対応
/api/v1/voices の公開音声 API エンドポイントが音声データを返さない問題を修正するにはどうすればよいですか？この問題は、バックエンドサービスの設定異常が原因で発生しました。公式チームは修正の本番環境へのデプロイを完了しており、/api/v1/voices エンドポイントは現在、音声データを正常に返しています。API リクエストを再試行してください。再試行後も問題が解決しない場合は、公式サポートまでお問い合わせください。
トラブル対応MOSS-TTS v1.5 の Continuation + Clone が、日本語のターゲットテキストではなく参照トランスクリプトを繰り返してしまうのを防ぐ方法
トラブル対応
MOSS-TTS v1.5 の Continuation + Clone が、日本語のターゲットテキストではなく参照トランスクリプトを繰り返してしまうのを防ぐ方法これは、mode="continuation" が参照音声と ref_text を実際のプレフィックスとして扱い、それらから続く音声を生成するために発生します。参照テキストとターゲットテキストが無関係な場合、モデルはプレフィックスを繰り返したり、そこに含まれる単語を流用したり、ターゲットテキストの前にプレフィックスを挿入したりする可能性があります。
無関係なテキストを用いた短い発話の音声クローンには、Continuation + Clone ではなく Clone モードを使用してください。ターゲットテキストと参照音声のみを渡し、アシスタントのプレフィックス音声は省略してください：
conversations = [[
processor.build_user_message(
text=text_2,
reference=[ref_audio_2],
language="ja"
)
]]
batch = processor(conversations, mode="clone")その後、同じ model.generate(...) とデコード処理を実行します。
mode="continuation" は、参照音声が実際に先行する音声であり、ターゲットテキストがその自然な続きである場合にのみ使用してください。音色のクローンだけが目的の場合は、text=ref_text_2 + text_2 のように、無関係な参照トランスクリプトをターゲットテキストに連結しないでください。
トラブル対応Pause tags often fail in TTS tools for a few common reasons. Here are the most likely causes and fixes:
## Common Causes
1. **The underlying model doesn't parse SSML or markup tags.** Many modern neural TTS engines (especially LLM-based ones like MOSS-TTSD and similar) treat input as plain text. Tags like `<break time="1s"/>`, `[pause]`, or `<pause>` are either ignored or, worse, spoken aloud as literal text.
2. **Wrong tag syntax.** Every tool uses its own convention. If the tool supports pauses at all, it might expect something specific like `<|silence|>`, `[break]`, or an SSML-style `<break>` tag. Check the documentation or example prompts that ship with the tool.
3. **The UI strips tags before inference.** Some frontends sanitize input and remove anything that looks like XML/HTML before sending text to the model.
4. **SSML mode isn't enabled.** Some engines require you to explicitly set the input type to SSML rather than plain text.
5. **Text chunking.** If the tool splits long text into segments for generation, a tag sitting at a split boundary may be dropped or misapplied.
## Workarounds
- **Use punctuation to shape pauses** — commas, periods, ellipses (`...`), and em-dashes (`—`) reliably influence rhythm in most neural TTS models.
- **Use line breaks** — a blank line between sentences often produces a longer natural pause.
- **Generate in segments** — synthesize each part separately, then insert exact silences in an audio editor (e.g., Audacity) and merge the clips.
- **Check your version** — pause support is sometimes added or changed between releases; make sure you're on a version where the feature exists.
## One Caveat
Behavior depends heavily on the exact tool and version you're running. If you can share which tag syntax you're using and which model/version is selected, I can give more targeted advice. Otherwise, the tool's README, GitHub issues page, or Discord community is usually the fastest way to confirm whether pause tags are officially supported at all.
トラブル対応
Pause tags often fail in TTS tools for a few common reasons. Here are the most likely causes and fixes:
## Common Causes
1. **The underlying model doesn't parse SSML or markup tags.** Many modern neural TTS engines (especially LLM-based ones like MOSS-TTSD and similar) treat input as plain text. Tags like `<break time="1s"/>`, `[pause]`, or `<pause>` are either ignored or, worse, spoken aloud as literal text.
2. **Wrong tag syntax.** Every tool uses its own convention. If the tool supports pauses at all, it might expect something specific like `<|silence|>`, `[break]`, or an SSML-style `<break>` tag. Check the documentation or example prompts that ship with the tool.
3. **The UI strips tags before inference.** Some frontends sanitize input and remove anything that looks like XML/HTML before sending text to the model.
4. **SSML mode isn't enabled.** Some engines require you to explicitly set the input type to SSML rather than plain text.
5. **Text chunking.** If the tool splits long text into segments for generation, a tag sitting at a split boundary may be dropped or misapplied.
## Workarounds
- **Use punctuation to shape pauses** — commas, periods, ellipses (`...`), and em-dashes (`—`) reliably influence rhythm in most neural TTS models.
- **Use line breaks** — a blank line between sentences often produces a longer natural pause.
- **Generate in segments** — synthesize each part separately, then insert exact silences in an audio editor (e.g., Audacity) and merge the clips.
- **Check your version** — pause support is sometimes added or changed between releases; make sure you're on a version where the feature exists.
## One Caveat
Behavior depends heavily on the exact tool and version you're running. If you can share which tag syntax you're using and which model/version is selected, I can give more targeted advice. Otherwise, the tool's README, GitHub issues page, or Discord community is usually the fastest way to confirm whether pause tags are officially supported at all.Studio体験でデプロイされているモデルは、ドキュメントと異なる場合があります。MOSS TTS 1.5 がデプロイされている https://platform.mosi.cn/ で最新モデルをお試しください。ユーザーからは、一時停止タグや指示への追従動作が改善されたとの報告があります。zuo4 cheng2 shi4 のようなピンインの声調制御もそこではより信頼できますが、生成は依然として不安定な場合があるため、音声を再生成する必要があるかもしれません。報告されているバージョンには、完全に決定論的な修正はありません。