如果你一直在关注开源 TTS（文本转语音）方向，5 月 26 日这天值得标记：MOSI.AI 和 OpenMOSS 团队发布了 MOSS-TTS 全家桶的一次重要更新——v1.5 语音合成模型 + SoundEffect v2.0 音效模型，加上此前已发布的一整套模型，基本覆盖了从「读一段文本」到「多人对话配音」「实时语音助手」「文生音效」的完整链路。
一句话：MOSS-TTS 全家桶里有什么
OpenMOSS 团队把 TTS 拆成了六个独立模型，各有专攻，也可以组合成完整管线：
- MOSS-TTS（8B）：旗舰模型，零样本语音克隆 + 长语音合成，支持音素/时长精细控制
- MOSS-TTSD（8B）：多人对话生成，主观评测超越了豆包和 Gemini 2.5-pro（这点很猛）
- MOSS-VoiceGenerator（1.7B）：文生语音角色——直接用文字描述音色和风格，不需要参考音频
- MOSS-TTS-Realtime（1.7B）：流式实时合成，首字延迟 180ms，适合做语音助手
- MOSS-SoundEffect v2.0（1.3B DiT）：48kHz 音效生成，最长 30 秒，Flow Matching 架构
- MOSS-TTS-Nano（0.1B）：仅 1 亿参数，4 核 CPU 就能跑，还支持流式输出
v1.5 更新了什么
相比 1.0，v1.5 在几个关键点上做了改进：
- 多语言加强：支持 31 种语言（新增粤语、荷兰语、芬兰语、印地语、泰语等 11 种），手动指定语言标签后合成质量明显提升
- 声音克隆更稳：多次生成的一致性显著改善，不会每次出来声音都不一样
- 长参考短文本克隆：用一段长音频做参考去合成一句话，v1.5 处理得更可靠
- 显式停顿控制：支持
[pause 3.2s]语法，可以精确控制句子中间的停顿时长 - 标点驱动的韵律更稳定：长句中按标点断句的自然度有提升
SoundEffect v2.0：从 LLM 架构跳到了 DiT
音效模型这次改动比较大。v1.0 用的是 MossTTSDelay（类 LLM 架构），v2.0 换成了 DiT（Diffusion Transformer）+ Flow Matching，1.3B 参数，48kHz 立体声，最长 30 秒。支持中英文 prompt 描述。
这意味着你可以用自然语言描述「雨打在铁皮屋顶的声音」「科幻飞船引擎启动」之类，模型直接生成对应音频——对播客、视频制作、游戏音效场景非常实用。
几个值得注意的技术亮点
- llama.cpp 支持：3 月初已支持纯 CPU 推理（ONNX + GGUF），8B 模型只需 8GB 显存，告别 PyTorch 依赖
- SGLang 后端：约 3 倍推理加速，适用于生产部署
- mlx-audio 支持：Apple Silicon Mac 用户的福音——直接走 MLX 推理
- Apache 2.0 协议：商用友好，没有奇怪的附加条款
本地能不能跑？
根据 README 的信息：旗舰 8B 模型推荐 GPU（8GB+ 显存），但走 llama.cpp + ONNX 也可以在 CPU 上跑。如果你用的是 M 系列 Mac，走 mlx-audio 是最省事的路径。
小模型方面，Nano（0.1B）宣称 4 核 CPU 就能实时流式输出，很适合嵌入式或移动端场景。
我的看法
MOSS-TTS 全家桶是目前开源 TTS 领域最完整的方案之一，尤其 TTSD 在主观评测中超过豆包和 Gemini 这件事挺能说明中文团队在语音合成上的积累。
如果你在做语音助手、播客配音、有声书、语音克隆，这个全家桶值得放进工具箱。Apache 2.0 协议意味着可以放心集成到商业产品里——这在国产大模型生态里不算常见。
- GitHub：OpenMOSS/MOSS-TTS（2.9k ⭐）
- 在线体验：studio.mosi.cn
- HuggingFace：OpenMOSS-Team/moss-tts