项目简介
MOSS-TTS 家族提供文本转语音、语音克隆、音效生成和实时流式处理等模型。支持多语言合成与微调，具备高效推理后端，适用于高表现力和复杂真实场景。
README 预览
# 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
常见问题 (3)
故障排除如何修复 /api/v1/voices 公共语音 API 端点不返回语音数据的问题？
故障排除
如何修复 /api/v1/voices 公共语音 API 端点不返回语音数据的问题？此问题是由后端服务配置异常导致的。官方团队已完成修复的生产环境部署,/api/v1/voices 端点现已正常返回语音数据。请重试您的 API 请求。如果重试后问题仍然存在,请联系官方支持以获取进一步帮助。
故障排除如何防止 MOSS-TTS v1.5 的 Continuation + Clone 重复参考转录文本，而不是输出日语目标文本？
故障排除
如何防止 MOSS-TTS v1.5 的 Continuation + Clone 重复参考转录文本，而不是输出日语目标文本？出现这种情况是因为 mode="continuation" 会将参考音频和 ref_text 视为实际的前缀，并生成从该前缀延续的语音。当参考文本与目标文本不相关时，模型可能会重复该前缀、用其中的词进行替换，或将其插入到目标文本之前。
对于文本不相关的短句语音克隆，请使用 Clone 模式，而不是 Continuation + Clone。仅传入目标文本和参考音频，并省略 assistant 前缀音频：
conversations = [[
processor.build_user_message(
text=text_2,
reference=[ref_audio_2],
language="ja"
)
]]
batch = processor(conversations, mode="clone")然后运行相同的 model.generate(...) 和解码流程。
仅当参考音频确实是前一段语音、且目标文本是其自然延续时，才使用 mode="continuation"。如果您只想进行音色克隆，请不要将不相关的参考转写文本与目标文本拼接，例如 text=ref_text_2 + text_2。
故障排除为什么 pause 标签在 Mosi/MOSS TTS Studio 中不起作用？
故障排除
为什么 pause 标签在 Mosi/MOSS TTS Studio 中不起作用？Studio 体验中部署的模型可能与文档所述不同。请前往 https://platform.mosi.cn/ 试用最新模型，该站点部署了 MOSS TTS 1.5；用户反馈其 pause-tag 和指令遵循行为有所改进。拼音声调控制（如 zuo4 cheng2 shi4）在该站点也更加可靠，但生成结果仍可能不稳定，因此可能需要重新生成音频。在所报告的版本中，尚无完全确定性的修复方案。