CPU 直接跑！0.1B 开源超轻量多语言 TTS！
你有没有遇到过这种情况！
想给自己的 AI 项目加个"会说话"的功能，查了一圈方案，要么需要烧钱租 GPU，要么模型动辄好几个 G 根本下不动，要么效果出来跟机器人一样。
4 月 10 日，复旦大学 NLP 实验室 + MOSI.AI 团队，悄悄在 GitHub 上放出了一个叫 MOSS-TTS-Nano 的项目
上线不到几天天，GitHub Star 已经破 1400 stars，B 站视频收藏超过400。
下面是官方给的效果，大家感受下
语音合成这件事，本来门槛挺高的。
大厂的方案，动不动就是几十亿参数的大模型，配上专业级 GPU，才能生成听起来像真人说话的音频。
你家的笔记本电脑？别想了！
但 MOSS-TTS-Nano 不一样。
0.1B（一亿个参数），模型文件压缩后不到 300 MB。
关键是——纯 CPU 运行，不需要显卡。
甚至在 MacBook Air M4 上用单核就能流畅跑。
这是什么概念？
甚至在 MacBook Air M4 上用单核就能流畅跑。
就像人家都在开法拉利跑赛道，MOSS-TTS-Nano 开着一辆普通家用车，跑出来的圈速，比你想象的快多了。
那它到底能做什么？
说白了，三件事
第一，文字转语音。
你输入一段文字，它给你生成对应的说话音频。支持 20 种语言，包括中文、英语、日语、韩语、法语、德语……基本上你能想到的主流语言都有。
第二，声音克隆。
给它一段 3~10 秒的参考音频，它就能"学会"这个人的声音特征，往后用这个声音说任意内容。
不需要提前训练，不需要额外微调，拿一段录音就能用。
第三，实时流式输出。
不是"等生成完再播放"，而是边生成边播放，延迟极低，特别适合对话机器人、实时配音这类场景
它为什么能这么小？
这就是技术含量的地方了，我尽量讲得人话一点。
先说一个背景知识：大脑是怎么"读文字发出声音"的
你读一篇文章时，大脑不是直接把文字"转换"成声音的。
它先理解意思，再调用肌肉控制声带发出声音。
语音合成模型做的，其实和这个类似。
MOSS-TTS-Nano 的内部，由两个核心部件组成：
具体架构如下图
跟其他方案比怎么样？
小巧灵活，还是十分具备优势的
要注意，MOSS-TTS-Nano 是"部署优先"的设计理念，它不是来和旗舰版比音质的，而是在"能跑的设备上尽快跑出足够好的效果"。
官方的定位很直接：小体积、低延迟、够用的实时产品质量、简单的本地配置
MOSS-TTS 家族：它不是孤儿
复旦这次开源的不只是 MOSS-TTS-Nano，背后是一整个语音模型家族：
Nano 就是这个家族里专门为"跑得动、部署快"场景打造的入门选手。
实测局限也要说清楚：
音质比不上旗舰版 MOSS-TTS（8B）和 CosyVoice，这是物理限制
0.1B 参数决定了情感表现力有限，对于要求声音有丰富情绪起伏的场景不太适合
克隆效果依赖参考音频质量，录音环境差会影响结果
多语言中，中英文效果最好，小语种还在优化
语音合成这几年发展太快了，大家好像都在卷"多大"、"多强"。
MOSS-TTS-Nano 反其道而行之，做了一个"足够好"的极小版本。
这背后的逻辑，其实很重要：
真实世界里，大多数应用场景不需要旗舰级音质，但对"能不能跑起来"极其敏感
一个嵌入在 APP 里的语音助手，一个跑在树莓派上的智能音箱，一个没有 GPU 预算的初创团队——他们需要的不是最好，而是能用的最轻量。
这个思路，值得关注。
在线 Demo：
GitHub 项目：
写文不易，如果帮到你了，请麻烦点赞、推荐、转发！
有任何问题欢迎留言，或添加我联系方式交流~