MOSS-TTS-Local-Transformer-v1.5 (OpenMOSS)

零样本声音克隆多语言TTS模型，支持31种语言和本地部署

入选理由: MOSS-TTS v1.5 支持31种语言零样本声音克隆、立体声48kHz输出，可通过SGLang兼容OpenAI API或HuggingFace快速部署，适合多语言TTS与克隆场景。
对位: 对位 CosyVoice 2
适合: 零样本多语言语音克隆 / 长文本合成与精确停顿控制
不适合: 实时流式低延迟场景
规模: 4.6B · 未知 · Q4 ~3GB / FP16 ~11GB
授权: Apache-2.0 · 需自查
框架: transformers / sglang
语种: 31种语言 (含中·粤·英·日·韩·法·德·西等)
可信度: HuggingFace 5655 下载，47 赞，Apache-2.0，arXiv 2603.18090

仅 safetensors · 无 pickle 加载风险

社区实测

社区普遍认可其语音克隆质量，但参考代码推理速度偏慢（RTF ~2），部署复杂度较高。

零样本语音克隆效果出色，有用户明确表示偏好其克隆质量超过 fish audio s2 pro
支持 31 种语言的多语种合成，指定语言标签后质量提升明显

参考 Python 推理代码速度仅 RTF ~2（约 50% 实时），本地实时使用有压力
服务化部署复杂，需处理参考音频编码、自回归生成、多码本采样与有状态解码器等多阶段流水线

来源

this new Moss tts 1.5 is damn good with voice cloning - Reddit OpenMOSS-Team/MOSS-TTS-v1.5 · Hugging Face - Reddit MOSS-TTS Local Transformer v1.5 on SGLang-Omni: Serving Native-Streaming 48 kHz Speech - LMSYS Org

截至 2026-06-28

快速上手

python -c "from transformers import AutoModel; model = AutoModel.from_pretrained('OpenMOSS-Team/MOSS-TTS-Local-Transformer-v1.5', trust_remote_code=True)"