免費、本地、語音克隆、CPU 可跑、三語支持——這個開源 TTS 項目值得收藏

MOSS-TTS-Nano 係一個輕量、免費、本地行到、支援語音複製嘅中英日語TTS，專為解決「好用但唔貴、強大但唔重」嘅語音合成需求而設。呢篇文章會由項目定位、核心架構、功能特性講起，然後帶你5分鐘上手實戰，最後深入實戰管線同AI Agent整合——由淺入深，一次過講曬。

📖 本文目錄

PART 01｜AI 語音合成：大而全 vs 小而美
PART 02｜一探究竟：MOSS-TTS-Nano 是什麼
PART 03｜核心架構：GPT 式雙通道生成
PART 04｜兩大模式：語音克隆與文本續說
PART 05｜16 種內置音色，中英日語全覆蓋
PART 06｜兩套推理後端：PyTorch 與 ONNX 雙引擎
PART 07｜快速上手：5 分鐘跑通 TTS
PART 08｜實戰管線 + AI Agent 集成：從配音到微課視頻
PART 09｜哪些場景可以用它？

如果你留意過AI語音合成領域，會發現一個有趣嘅分化：

一邊係「大而全」——雲端TTS API（例如Azure Speech、訊飛、火山引擎），音質頂尖、音色豐富，但係按月俾錢，越用越貴。做短片嘅博主，每個月光係配音開支就幾百上千；做自動化管線嘅團隊，每千字幾毫子嘅成本，量一多就變成真金白銀嘅負擔。

另一邊係「細而靚」——開源社羣嘅細模型TTS，免費、本地行到，但你翻勻GitHub就會發現幾個尷尬嘅現實：

• • 大部份項目依賴複雜，環境要搞半日，一跑顯卡就勁叫
• • 一係淨係支援英文，一係淨係支援中文，想雙語就要裝兩套模型
• • 所謂「coming soon」嘅功能一拖就係一年
• • 文件能慳就慳，API設計隨心所欲

呢兩個方向之間，一直都缺一個中間地帶：

免費、輕量、本地行到、同時支援中英日語、仲要開箱即用——呢個要求過分咩？

唔過分。MOSS-TTS-Nano就喺呢個位置。

PART 02｜一探究竟：MOSS-TTS-Nano係咩嘢

MOSS-TTS-Nano係 OpenMOSS Team 開源嘅一個實時多語言輕量TTS系統，核心就幾個數字：

• • 100M參數——同類模型中超細體積，普通CPU已經可以推理
• • 中英日語三語——一個模型全部覆蓋
• • 16種預設音色——中/英/日三語男女聲，即開即用
• • 零樣本語音複製——3秒參考音頻就可以複製聲音，唔使微調
• • 雙推理後端——PyTorch用嚟研究同實驗，ONNX用嚟生產部署

技術棧都好乾淨：

所有依賴加埋，一個 requirements.txt 就列曬。冇大而全嘅框架捆綁，冇收收埋埋嘅私有依賴。

呢個正正係佢同好多TTS項目嘅本質分別：唔係為咗出論文，而係為咗開發者真係用到。

PART 03｜核心架構：GPT式雙通道生成

MOSS-TTS-Nano嘅架構思路好得意：佢將語音生成拆成兩個階段，重用咗GPT式因果語言模型嘅範式。

第一階段：文本編碼

輸入文本經SentencePiece分詞器編碼做token序列。呢啲token被送入一個因果語言模型（Causal LM），自迴歸噉生成「文本層logits」，從中採樣得到下一層需要嘅條件信號。

第二階段：音頻解碼

文本層嘅輸出被送入音頻token預測層，同樣自迴歸噉生成音頻token。呢啲token再經 MOSS-Audio-Tokenizer-Nano——一個專門嘅神經音頻編解碼器——解碼做最終波形。

輸入文本 → 文本分詞 → [Causal LM 文本層] → 文本 token
                                                ↓
                                       [Causal LM 音頻層] → 音頻 token
                                                ↓
                                    MOSS-Audio-Tokenizer-Nano
                                                ↓
                                              波形輸出

呢個設計嘅巧妙之處在於：

• • 文本層同音頻層共享同一個語言模型嘅上下文，模型既理解語義又生成聲學特徵
• • 自迴歸採樣保證咗生成嘅自然度同連貫性
• • Audio Tokenizer可替換，意味住後面嘅音質仲有優化空間

訓練階段，模型喺大量（文本，音頻）配對嘅語料上學習；推理時，俾定文本同一段參考音頻（語音複製模式），模型就可以生成同參考音色一致、語義準確嘅語音。

用一句話理解：佢好似GPT寫文章噉，逐個token噉「寫」出音頻。

PART 04｜兩大模式：語音複製同文本續說

MOSS-TTS-Nano提供兩種推理模式，覆蓋曬大部份實際使用場景。

模式一：voice_clone（語音複製）

呢個係最核心嘅功能。你只要一段參考音頻（3-5秒就得），加上目標文本，模型就可以零樣本複製呢個聲音。

moss-tts-nano generate \
  --mode voice_clone \
  --prompt-audio-path assets/audio/zh_1.wav \
  --text "歡迎使用 MOSS-TTS-Nano 語音合成系統" \
  --output output.wav

實際測試落嚟，3秒參考音頻已經有唔錯嘅複製效果。聲音嘅語調、節奏、音色特徵都重現到。

對於長文本，佢內置咗自動分塊機制：

--voice-clone-max-text-tokens 75

當文本token長度超過門檻時，模型會按語義自動切句分批生成，再無縫合併。你俾佢3000字嘅長文案，佢自己會搞掂分段同拼接。

背後係pocket-tts風格嘅分句策略：先計最優分割點，逐塊生成，最後拼接成完整音頻。

模式二：continuation（文本續說）

呢個模式似傳統嘅TTS——俾定文本，模型直接生成語音。但如果同時提供 --prompt-text 和 --prompt-audio-path，佢都可以做到「以上文語氣繼續講落去」嘅效果。

moss-tts-nano generate \
  --mode continuation \
  --prompt-text "大家好，歡迎收看今天的節目" \
  --prompt-audio-path reference.wav \
  --text "今天我們聊一個有趣的話題" \
  --output output.wav

採樣參數全開放

兩個模式之下，你可以仔細調控生成效果：

想穩定就降低temperature同top-p，想多啲變化就調高佢哋。每個參數都開放俾用戶，俾你最大嘅控制權。

PART 05｜16種內置音色，中英日語全部覆蓋

一個模型，三語通用。MOSS-TTS-Nano內置咗 16種預設音色：

默認音色係 Junhao（中文男聲），呢個都係本地項目入面實際用緊嗰個。

所有預設音頻檔案喺 assets/audio/ 目錄下，格式係WAV（部份係MP3）。你可以將自己嘅錄音放落去自訂。

呢個對開發者嚟講意義係乜？

唔使再為每種語言去搞唔同嘅TTS引擎。一個pip包，一個模型，中英日語嘅語音需求全部搞掂。如果客戶要某個特定音色，攞一段參考音頻零樣本複製就得。

PART 06｜兩套推理後端：PyTorch同ONNX雙引擎

呢個係MOSS-TTS-Nano一個好務實嘅架構設計——一套代碼，兩套推理引擎，按場景切換。

PyTorch後端（研究探索用）

適合開發除錯、實驗調參嘅場景：

• • 基於 transformers 的 AutoModelForCausalLM 加載Hugging Face格式checkpoint
• • 支援 float16 / bfloat16 精度
• • 支援Flash Attention 2（CUDA下可用）
• • 默認模型ID：OpenMOSS-Team/MOSS-TTS-Nano

moss-tts-nano generate --backend pytorch --text "你好" --prompt-audio-path ...

ONNX後端（生產部署用）

適合上線部署、資源受限嘅場景：

• • 基於 onnxruntime 推理，唔依靠PyTorch運行時
• • CPU原生支援——唔需要用GPU都做到實時推理
• • 支援CUDA執行提供程序（需要 onnxruntime-gpu）
• • 支援流式解碼（--realtime-streaming-decode），邊生成邊輸出，延遲更低
• • 可配置多種採樣策略：greedy / fixed / full

moss-tts-nano generate --backend onnx --text "你好" --prompt-audio-path ...

項目仲提供咗完整嘅ONNX導出腳本（onnx/ 目錄）：

• • export_hf_to_tts_onnx.py——將HuggingFace checkpoint導出做標準ONNX
• • export_moss_tts_browser_onnx.py——導出做 瀏覽器兼容ONNX，甚至可以在瀏覽器端運行

本地已經導好嘅模型位於 models/MOSS-TTS-Nano-100M-ONNX/，配合 models/MOSS-Audio-Tokenizer-Nano-ONNX/ 組成完整推理鏈路。

點解ONNX後端咁重要？因為喺生產環境中，你唔可能每部機都裝PyTorch + CUDA。ONNX Runtime嘅部署成本低好多，用CPU就跑到，呢個係MOSS-TTS-Nano從「實驗項目」走向「生產工具」嘅關鍵一步。

PART 07｜快速上手：5分鐘跑通TTS

廢話少講，直接上手。

第一步：安裝

pip install moss-tts-nano

係㗎，就係一行。佢已經發布咗上PyPI，pip install 就裝好。

如果從原始碼安裝：

git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git
cd MOSS-TTS-Nano
pip install -e .

第二步：CLI一句話生成語音

moss-tts-nano generate \
  --mode voice_clone \
  --prompt-audio-path assets/audio/zh_1.wav \
  --text "你好，歡迎瞭解 MOSS-TTS-Nano" \
  --output my_audio.wav

第一次運行會自動下載模型（約100M），之後就離線運行。輸出嘅WAV檔案用播放器聽就得。

第三步：Python API整合

如果你將TTS嵌入自己嘅代碼：

from infer import main as tts_infer

result = tts_infer([
    "--text", "嵌入你自己的 Python 項目就這麼簡單",
    "--prompt-audio-path", "assets/audio/zh_1.wav",
    "--mode", "voice_clone",
])
# result["audio_path"] → 生成的 WAV 文件

返回嘅dict包含 audio_path、sample_rate、audio_token_ids，攞到路徑直接去下游播放或者編輯。

第四步：啟動Web服務

moss-tts-nano serve --backend onnx --host 0.0.0.0 --port 18083

啟動後訪問 http://localhost:18083，會見到FastAPI自動生成嘅互動式API文檔頁面。你亦可以用任何HTTP客戶端呼叫 POST /tts 接口上傳文本同參考音頻，獲取生成嘅語音檔案。

PART 08｜實戰管線 + AI Agent整合：從配音到微課視頻

理論講完，嚟睇一個真實管線——呢個就係MOSS-TTS-Nano喺本地項目入面嘅實際用法。

場景：將一篇文案做成有配音嘅微課視頻

需求好簡單：一篇18個場景嘅文案，每個場景一段話，需要配上語音，再合成做視頻。用MOSS-TTS-Nano嚟解決。

批量配音生成

# generate_all_audio.py（核心邏輯）
for scene_text in script_lines:
    subprocess.run([
        "python", "infer_onnx.py",
        "--prompt-audio-path", "assets/audio/zh_1.wav",
        "--text", scene_text,
        "--output-audio-path", f"scene-{i:02d}.wav",
    ])

18段文案，逐個呼叫ONNX後端生成WAV音頻，自動跳過已有檔案（方便斷點續跑）。生成完成後，每個場景配一個WAV檔案。

視頻合成

# render_video.py（核心邏輯）
# Playwright 截圖 HTML 動畫頁面 → 每秒 10 幀 PNG
# FFmpeg 合成：PNG 序列 → MP4 + 疊加 WAV 音頻
# 最終合併所有場景片段為一個完整視頻

具體流程：

1. 1. Playwright打開每個場景嘅GSAP動畫HTML頁面
2. 2. 按時間線逐幀截圖（利用GSAP timeline精確控制動畫進度）
3. 3. FFmpeg將截圖序列合成冇聲音嘅MP4
4. 4. 再疊加MOSS-TTS-Nano生成嘅配音WAV檔案
5. 5. 最後 ffmpeg concat 將所有場景片段合併成最終視頻

一條命令：文案 → 配音 → 視頻，全部自動。

AI Agent整合：令語音生成真正「隨叫隨到」

以上仲只係「腳本自動化」。再進一步，你可以將MOSS-TTS-Nano交俾 AI Agent 嚟呼叫，等佢成為Agent工具鏈入面嘅一個節點。

喺Claude Code入面用

Claude Code可以直接執行Shell指令。你只要話俾佢聽：

「幫我將呢段文案生成配音，用MOSS-TTS-Nano，音色用Junhao。」

Claude Code就會自動拼湊出完整嘅CLI指令並執行，唔使你手動打參數。

更優雅嘅方式，係將MOSS-TTS-Nano嘅CLI指令註冊做一個 Tool。喺Claude Code嘅配置入面：

{
  "tools": {
    "moss-tts": {
      "command": "moss-tts-nano generate --mode voice_clone --prompt-audio-path assets/audio/zh_1.wav --text \"${input}\" --output \"${output_path}\""
    }
  }
}

之後你只要講「生成配音」，Claude Code就會自動呼叫呢個工具完成。

喺OpenClaw / Hermes入面整合

如果你用緊OpenClaw或Hermes呢類Agent框架，可以將MOSS-TTS-Nano封裝做一個函數工具（Function Tool）：

@tool
def tts_generate(text: str, output_path: str = "output.wav") -> str:
    """調用 MOSS-TTS-Nano 生成語音"""
    result = subprocess.run([
        "moss-tts-nano", "generate",
        "--mode", "voice_clone",
        "--prompt-audio-path", "assets/audio/zh_1.wav",
        "--text", text,
        "--output", output_path,
    ], capture_output=True, text=True)
    return output_path

咁樣，Agent就可以喺你嘅工作流程入面自主呼叫TTS，唔再需要人手介入。

喺QClaw / WorkBuddy入面編排流水線

對於更複雜嘅場景——例如「每日自動抓取最新文章 → 生成配音 → 合成視頻 → 發佈」——QClaw或WorkBuddy呢類任務編排工具可以將MOSS-TTS-Nano作為一個節點嵌入DAG流水線：

[文案輸入] → [文本處理] → [MOSS-TTS-Nano] → [視頻合成] → [發佈]
                              ↑
                     [參考音頻（固定）]

成個過程無需人工幹預。Agent負責調度，MOSS-TTS-Nano負責語音生成，FFmpeg負責視頻合成。

呢個就係「TTS即服務（TTS-as-a-Function）」——唔再係手動㩒掣，而係讓AI Agent幫你打點。

PART 09｜邊啲場景可以用佢？

講咗咁多技術細節，最後返到一個實際問題：呢個嘢到底可以用喺邊？

短片 / 自媒體配音

如果你做短片，每個月要出幾十條配音。MOSS-TTS-Nano可以：

• • 零成本代替付費TTS（慳返每月嘅API帳單）
• • 批量生成一期節目嘅全部配音
• • 結合AI Agent實現「文案寫完 → 自動配音 → 自動合成」嘅全自動流程

AI Podcast / 音頻內容

將你嘅博客文章轉成Podcast，或者生成有聲書：

博客文章 → MOSS-TTS-Nano → MP3 播客

唔需要租伺服器、唔需要買API額度，本地跑完直接上傳。

教育微課 / 培訓視頻

呢個係本地項目已經驗證過嘅場景。一篇課程文案 → 分場景配音 → 合成視頻。對於在線教育平台或企業內部培訓，呢個係一個零成本嘅配音方案。

語音助手 / 嵌入式設備

100M參數意味住佢可以喺樹莓派呢類低功耗設備上運行。嵌入式語音助手、智能家居語音回饋、無障礙輔助工具——呢啲場景對模型大細敏感，MOSS-TTS-Nano啱啱好。

語音複製研究 / 音色定製

如果你做緊語音合成方向嘅研發，MOSS-TTS-Nano提供咗一個好嘅基線：

• • 零樣本複製能力令你快速驗證想法
• • ONNX導出能力令你將實驗成果部署到實際系統
• • 開源令你可以深入原始碼理解實現細節

點解揀佢而唔揀其他？

市面上唔缺TTS項目，但MOSS-TTS-Nano嘅組合拳係獨特嘅：

佢唔係要取代Azure或訊飛——喺大規模生產級TTS場景下，雲端方案依然係王者。但喺「輕量、免費、本地、可控」呢條線上，佢係目前做得最平衡嘅一個。

寫在最後

MOSS-TTS-Nano唔係一個「大」項目——100M參數擺喺今日嘅大模型語境下，連個零頭都唔到。但正正係呢種「細」，令佢有咗獨特嘅價值：

你可以在任何機器上運行佢，唔需要用GPU，唔需要聯網，唔需要付費。想改咩直接改原始碼，想部署到邊就部署到邊。佢將TTS嘅能力從「要向雲端廠商購買嘅服務」變成了「本地開發工具鏈嘅一部分」。

如果你對佢有興趣：

• • GitHub倉庫：github.com/OpenMOSS/MOSS-TTS-Nano
• • 文檔：studio.mosi.cn/docs/moss-tts-nano
• • 安裝：pip install moss-tts-nano

下一步可以試試：用MOSS-TTS-Nano幫你下星期要出嘅視頻配個音，睇下成品效果。如果有咩有趣嘅用法，歡迎喺評論區分享。

既然睇到呢度，如果覺得唔錯，順手俾個like、睇、轉發三連啦，如果想第一時間收到推送，亦可以俾我個星標⭐～

多謝你睇我嘅文章，我哋，下次再見

MOSS-TTS-Nano 是一個輕量、免費、本地可跑、支持語音克隆的中英日語 TTS，專為解決"好用但不貴、強大但不重"的語音合成需求而生。本文從項目定位、核心架構、功能特性講起，接着帶你 5 分鐘上手實操，最後深入實戰管線與 AI Agent 集成——由淺入深，一次性講透。

📖 本文目錄

PART 01｜AI 語音合成：大而全 vs 小而美
PART 02｜一探究竟：MOSS-TTS-Nano 是什麼
PART 03｜核心架構：GPT 式雙通道生成
PART 04｜兩大模式：語音克隆與文本續說
PART 05｜16 種內置音色，中英日語全覆蓋
PART 06｜兩套推理後端：PyTorch 與 ONNX 雙引擎
PART 07｜快速上手：5 分鐘跑通 TTS
PART 08｜實戰管線 + AI Agent 集成：從配音到微課視頻
PART 09｜哪些場景可以用它？

如果你關注過 AI 語音合成領域，會發現一個有趣的分化：

一端是"大而全"——雲端 TTS API（如 Azure Speech、訊飛、火山引擎），音質頂尖、音色豐富，但按月付費，越用越貴。做短視頻的博主，每個月光配音開銷就幾百上千；做自動化管線的團隊，每千字幾毛錢的成本在量起來之後成了真金白銀的負擔。

另一端是"小而美"——開源社區的小模型 TTS，免費、本地可跑，但你翻遍 GitHub 就會發現幾個尷尬的現實：

• • 大部分項目依賴複雜，環境要配半天，跑起來顯卡呼呼叫
• • 要麼只支持英文，要麼只支持中文，想雙語得裝兩套模型
• • 所謂"coming soon"的功能一鴿就是一年
• • 文檔能省則省，API 設計隨心所欲

兩個方向之間，一直缺一個中間地帶：

免費的、輕量的、本地可跑的、同時支持中英日語、還要開箱即用——這要求過分嗎？

不過分。MOSS-TTS-Nano 就在這個位置。

PART 02｜一探究竟：MOSS-TTS-Nano 是什麼

MOSS-TTS-Nano 是 OpenMOSS Team 開源的一個實時多語言輕量 TTS 系統，核心就幾個數字：

• • 100M 參數——同類模型中極小體量，普通 CPU 即可推理
• • 中英日語三語——一個模型全部覆蓋
• • 16 種預設音色——中/英/日三語男女聲，即開即用
• • 零樣本語音克隆——3 秒參考音頻即可復刻聲音，無需微調
• • 雙推理後端——PyTorch 用於研究和實驗，ONNX 用於生產部署

技術棧也很乾淨：

所有依賴加在一起，一個 requirements.txt 就能列完。沒有大而全的框架捆綁，沒有藏着掖着的私有依賴。

這正是它和很多 TTS 項目的本質區別：不是為了發論文，而是為了讓開發者真的能用。

PART 03｜核心架構：GPT 式雙通道生成

MOSS-TTS-Nano 的架構思路很有意思：它把語音生成拆成了兩個階段，複用了 GPT 式因果語言模型的範式。

第一階段：文本編碼

輸入文本通過 SentencePiece 分詞器編碼為 token 序列。這些 token 被送入一個因果語言模型（Causal LM），自迴歸地生成"文本層 logits"，從中採樣得到下一層需要的條件信號。

第二階段：音頻解碼

文本層的輸出被送入音頻 token 預測層，同樣自迴歸地生成音頻 token。這些 token 再通過 MOSS-Audio-Tokenizer-Nano——一個專門的神經音頻編解碼器——解碼為最終波形。

輸入文本 → 文本分詞 → [Causal LM 文本層] → 文本 token
                                                ↓
                                       [Causal LM 音頻層] → 音頻 token
                                                ↓
                                    MOSS-Audio-Tokenizer-Nano
                                                ↓
                                              波形輸出

這個設計的巧妙之處在於：

• • 文本層和音頻層共享同一個語言模型的上下文，模型既理解語義又生成聲學特徵
• • 自迴歸採樣保證了生成的自然度和連貫性
• • Audio Tokenizer 可替換，意味着後面的音質還有優化的空間

訓練階段，模型在大量（文本，音頻）配對的語料上學習；推理時，給定文本和一段參考音頻（語音克隆模式），模型就能生成與參考音色一致、語義準確的語音。

用一句話理解：它像 GPT 寫文章一樣，逐 token 地"寫"出音頻。

PART 04｜兩大模式：語音克隆與文本續說

MOSS-TTS-Nano 提供兩種推理模式，覆蓋了大部分實際使用場景。

模式一：voice_clone（語音克隆）

這是最核心的功能。你只需要一段參考音頻（3-5 秒即可），加上目標文本，模型就能零樣本克隆這個聲音。

moss-tts-nano generate \
  --mode voice_clone \
  --prompt-audio-path assets/audio/zh_1.wav \
  --text "歡迎使用 MOSS-TTS-Nano 語音合成系統" \
  --output output.wav

實際測試下來，3 秒參考音頻已經能得到不錯的克隆效果。聲音的語調、節奏、音色特徵都能復現。

對於長文本，它內置了自動分塊機制：

--voice-clone-max-text-tokens 75

當文本 token 長度超過閾值時，模型會按語義自動切句分批生成，再無縫合並。你給它 3000 字的長文案，它自己會搞定分段和拼接。

背後是 pocket-tts 風格的分句策略：先計算最優分割點，逐塊生成，最後拼接成完整音頻。

模式二：continuation（文本續說）

這個模式更像傳統的 TTS——給定文本，模型直接生成語音。但如果同時提供 --prompt-text 和 --prompt-audio-path，它也能實現"以上文語氣繼續往下說"的效果。

moss-tts-nano generate \
  --mode continuation \
  --prompt-text "大家好，歡迎收看今天的節目" \
  --prompt-audio-path reference.wav \
  --text "今天我們聊一個有趣的話題" \
  --output output.wav

採樣參數全開放

兩個模式下，你可以精細調控生成效果：

想穩定就壓低 temperature 和 top-p，想多樣性就調高它們。每個參數都暴露給用戶，給你最大的控制權。

PART 05｜16 種內置音色，中英日語全覆蓋

一個模型，三語通吃。MOSS-TTS-Nano 內置了 16 種預設音色：

默認音色是 Junhao（中文男聲），這也是本地項目中實際使用的那一個。

所有預設音頻文件在 assets/audio/ 目錄下，格式為 WAV（部分為 MP3）。你也可以將自己的錄音放進去自定義。

這對開發者的意義是什麼？

不用再為每個語言去折騰不同的 TTS 引擎了。一個 pip 包，一個模型，中英日語的語音需求全部解決。如果客戶需要某個特定音色，拿一段參考音頻零樣本克隆就行。

PART 06｜兩套推理後端：PyTorch 與 ONNX 雙引擎

這是 MOSS-TTS-Nano 一個很務實的架構設計——一套代碼，兩套推理引擎，按場景切換。

PyTorch 後端（研究探索用）

適合開發調試、實驗調參的場景：

• • 基於 transformers 的 AutoModelForCausalLM 加載 Hugging Face 格式 checkpoint
• • 支持 float16 / bfloat16 精度
• • 支持 Flash Attention 2（CUDA 下可用）
• • 默認模型 ID：OpenMOSS-Team/MOSS-TTS-Nano

moss-tts-nano generate --backend pytorch --text "你好" --prompt-audio-path ...

ONNX 後端（生產部署用）

適合上線部署、資源受限的場景：

• • 基於 onnxruntime 推理，不依賴 PyTorch 運行時
• • CPU 原生支持——不需要 GPU 也能實時推理
• • 支持 CUDA 執行提供程序（需要 onnxruntime-gpu）
• • 支持流式解碼（--realtime-streaming-decode），邊生成邊輸出，延遲更低
• • 可配置多種採樣策略：greedy / fixed / full

moss-tts-nano generate --backend onnx --text "你好" --prompt-audio-path ...

項目還提供了完整的 ONNX 導出腳本（onnx/ 目錄）：

• • export_hf_to_tts_onnx.py——將 HuggingFace checkpoint 導出為標準 ONNX
• • export_moss_tts_browser_onnx.py——導出為 瀏覽器兼容 ONNX，甚至可以在瀏覽器端運行

本地已經導好的模型位於 models/MOSS-TTS-Nano-100M-ONNX/，配合 models/MOSS-Audio-Tokenizer-Nano-ONNX/ 組成完整推理鏈路。

為什麼 ONNX 後端很重要？因為在生產環境中，你不可能每台機器都裝 PyTorch + CUDA。ONNX Runtime 的部署成本低得多，用 CPU 就能跑，這是 MOSS-TTS-Nano 從"實驗項目"走向"生產工具"的關鍵一步。

PART 07｜快速上手：5 分鐘跑通 TTS

廢話少說，直接上手。

第一步：安裝

pip install moss-tts-nano

是的，就是一行。它已經發布到了 PyPI，pip install 就能裝好。

如果從源碼安裝：

git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git
cd MOSS-TTS-Nano
pip install -e .

第二步：CLI 一句話生成語音

moss-tts-nano generate \
  --mode voice_clone \
  --prompt-audio-path assets/audio/zh_1.wav \
  --text "你好，歡迎瞭解 MOSS-TTS-Nano" \
  --output my_audio.wav

第一次運行會自動下載模型（約 100M），之後就是離線運行。輸出的 WAV 文件拿播放器聽就行。

第三步：Python API 集成

如果你想把 TTS 嵌入自己的代碼：

from infer import main as tts_infer

result = tts_infer([
    "--text", "嵌入你自己的 Python 項目就這麼簡單",
    "--prompt-audio-path", "assets/audio/zh_1.wav",
    "--mode", "voice_clone",
])
# result["audio_path"] → 生成的 WAV 文件

返回的 dict 包含 audio_path、sample_rate、audio_token_ids，拿到路徑直接去下游播放或編輯。

第四步：啓動 Web 服務

moss-tts-nano serve --backend onnx --host 0.0.0.0 --port 18083

啓動後訪問 http://localhost:18083，可以看到 FastAPI 自動生成的交互式 API 文檔頁面。你也可以用任何 HTTP 客戶端調用 POST /tts 接口上傳文本和參考音頻，獲取生成的語音文件。

PART 08｜實戰管線 + AI Agent 集成：從配音到微課視頻

理論講完，來看一個真實管線——這就是 MOSS-TTS-Nano 在本地項目中的實際用法。

場景：把一篇文案做成帶配音的微課視頻

需求很簡單：一篇 18 個場景的文案，每個場景一段話，需要配上語音，再合成為視頻。用 MOSS-TTS-Nano 來解決。

批量配音生成

# generate_all_audio.py（核心邏輯）
for scene_text in script_lines:
    subprocess.run([
        "python", "infer_onnx.py",
        "--prompt-audio-path", "assets/audio/zh_1.wav",
        "--text", scene_text,
        "--output-audio-path", f"scene-{i:02d}.wav",
    ])

18 段文案，逐一調用 ONNX 後端生成 WAV 音頻，自動跳過已有文件（方便斷點續跑）。生成完成後，每個場景配一個 WAV 文件。

視頻合成

# render_video.py（核心邏輯）
# Playwright 截圖 HTML 動畫頁面 → 每秒 10 幀 PNG
# FFmpeg 合成：PNG 序列 → MP4 + 疊加 WAV 音頻
# 最終合併所有場景片段為一個完整視頻

具體流程：

1. 1. Playwright 打開每個場景的 GSAP 動畫 HTML 頁面
2. 2. 按時間線逐幀截圖（利用 GSAP timeline 精確控制動畫進度）
3. 3. FFmpeg 將截圖序列合成無聲音頻的 MP4
4. 4. 再疊加 MOSS-TTS-Nano 生成的配音 WAV 文件
5. 5. 最後 ffmpeg concat 把所有場景片段合併為最終視頻

一條命令：文案 → 配音 → 視頻，全自動。

AI Agent 集成：讓語音生成真正"隨叫隨到"

以上還只是"腳本自動化"。更進一步，你可以把 MOSS-TTS-Nano 交給 AI Agent 來調用，讓它成為 Agent 工具鏈中的一個節點。

在 Claude Code 中使用

Claude Code 可以直接執行 Shell 命令。你只需要告訴它：

"幫我把這段文案生成配音，用 MOSS-TTS-Nano，音色用 Junhao。"

Claude Code 就會自動拼接出完整的 CLI 命令並執行，無需你手動敲參數。

更優雅的方式，是將 MOSS-TTS-Nano 的 CLI 命令註冊為一個 Tool。在 Claude Code 的配置中：

{
  "tools": {
    "moss-tts": {
      "command": "moss-tts-nano generate --mode voice_clone --prompt-audio-path assets/audio/zh_1.wav --text \"${input}\" --output \"${output_path}\""
    }
  }
}

之後你只需要說"生成配音"，Claude Code 就會自動調用這個工具完成。

在 OpenClaw / Hermes 中集成

如果你在使用 OpenClaw 或 Hermes 這類 Agent 框架，可以把 MOSS-TTS-Nano 封裝為一個函數工具（Function Tool）：

@tool
def tts_generate(text: str, output_path: str = "output.wav") -> str:
    """調用 MOSS-TTS-Nano 生成語音"""
    result = subprocess.run([
        "moss-tts-nano", "generate",
        "--mode", "voice_clone",
        "--prompt-audio-path", "assets/audio/zh_1.wav",
        "--text", text,
        "--output", output_path,
    ], capture_output=True, text=True)
    return output_path

這樣，Agent 就能在你的工作流中自主調用 TTS，不再需要人工介入。

在 QClaw / WorkBuddy 中編排流水線

對於更復雜的場景——比如"每天自動抓取最新文章 → 生成配音 → 合成視頻 → 發佈"——QClaw 或 WorkBuddy 這類任務編排工具可以把 MOSS-TTS-Nano 作為一個節點嵌入 DAG 流水線：

[文案輸入] → [文本處理] → [MOSS-TTS-Nano] → [視頻合成] → [發佈]
                              ↑
                     [參考音頻（固定）]

整個過程無需人工干預。Agent 負責調度，MOSS-TTS-Nano 負責語音生成，FFmpeg 負責視頻合成。

這就是"TTS 即服務（TTS-as-a-Function）"——不再是手動點按鈕，而是讓 AI Agent 替你跑腿。

PART 09｜哪些場景可以用它？

聊了這麼多技術細節，最後回到一個實際問題：這個東西到底能用在哪？

短視頻 / 自媒體配音

如果你做短視頻，每個月要出幾十條配音。MOSS-TTS-Nano 可以：

• • 零成本代替付費 TTS（省下每月的 API 賬單）
• • 批量生成一整期節目的全部配音
• • 結合 AI Agent 實現"文案寫完 → 自動配音 → 自動合成"的全自動流程

AI 播客 / 音頻內容

把你的博客文章轉成播客，或者生成有聲讀物：

博客文章 → MOSS-TTS-Nano → MP3 播客

不需要租服務器、不需要買 API 額度，本地跑完直接上傳。

教育微課 / 培訓視頻

這是本地項目已經驗證過的場景。一篇課程文案 → 分場景配音 → 合成視頻。對於在線教育平台或企業內部培訓，這是一個零成本的配音方案。

語音助手 / 嵌入式設備

100M 參數意味着它可以在樹莓派這類低功耗設備上跑。嵌入式語音助手、智能家居語音反饋、無障礙輔助工具——這些場景對模型大小敏感，MOSS-TTS-Nano 正好合適。

語音克隆研究 / 音色定製

如果你在做語音合成方向的研發，MOSS-TTS-Nano 提供了一個很好的基線：

• • 零樣本克隆能力讓你快速驗證想法
• • ONNX 導出能力讓你把實驗成果部署到實際系統
• • 開源讓你可以深入源碼理解實現細節

為什麼選它而不是別的？

市面上不缺 TTS 項目，但 MOSS-TTS-Nano 的組合拳是獨特的：

它不是要取代 Azure 或訊飛——在大規模生產級 TTS 場景下，雲端方案依然是王者。但在"輕量、免費、本地、可控"這條線上，它是目前做得最均衡的一個。

寫在最後

MOSS-TTS-Nano 不是一個"大"項目——100M 參數放在今天的大模型語境下，連個零頭都不到。但正是這種"小"，讓它有了獨特的價值：

你可以在任何機器上跑它，不需要 GPU，不需要聯網，不需要付費。想改什麼直接改源碼，想部署到哪就部署到哪。它把 TTS 的能力從"需要向雲廠商購買的服務"變成了"本地開發工具鏈的一部分"。

如果你對它感興趣：

• • GitHub 倉庫：github.com/OpenMOSS/MOSS-TTS-Nano
• • 文檔：studio.mosi.cn/docs/moss-tts-nano
• • 安裝：pip install moss-tts-nano

下一步可以試試：用 MOSS-TTS-Nano 給你下週要發的視頻配個音，看看成品效果。如果有什麼有意思的用法，也歡迎在評論區分享。

既然看到這裏了，如果覺得不錯，隨手點個贊、在看、轉發三連吧，如果想第一時間收到推送，也可以給我個星標⭐～

謝謝你看我的文章，我們，下次再見