MOSS-TTS-Nano-100M · CPU 权重包

English. Quantized inference weights for the standalone C++/CPU engine dsh-moss-tts. Derived from MOSS-TTS-Nano-100M (Apache-2.0): the LLM is cast to int8 (Q8_0, repacked 4×4), the audio decoder/encoder to fp16, and every tensor is rewritten into the project's .moss container. Nothing is re-trained — architecture, parameter values and the public prompt template are unchanged; only the numeric format differs. These files cannot be loaded by transformers; they need the engine. This repo mirrors the models/ directory of the release zip and matches scripts/model_lock.json byte for byte.

这是什么

一个 100 M 参数的中英双语 TTS：一帧 80 ms、16 路 VQ（每路 1024 码）、输出 48 kHz 立体声。
结构：12 层 GPT-2 风格全局模型（d=768，RoPE）+ 1 层 local 头逐通道出码；音频解码器把 16×T 的码上采样成 48 kHz（4+2+2+4 层，patch 4/2/2/2/240）。
文本前端自带分词（sentencepiece 词表已导出为 tokenizer.mossvocab，427 KB），不依赖 Python。

文件

文件	大小	sha256
`llm_q8x4.moss`	119.3 MB	`483324ea88cadde32246df51f9d263423086634b95dc8c8b99c81013715f8845`
`decoder_f16.moss`	22.3 MB	`85ca9589e9ea3efa46e1503dc67820788a75bbf003272de9dd83ff8be6be980b`
`encoder_f16.moss`	21.8 MB	`a70028fa93ed337faaa542ed182b8ba69ba68a1caa02d45f7baeed6321b43e53`
`tokenizer.mossvocab`	427 KB	`2b7a33c477420d573c1ec199f5b91ddd57c033417764ad41b0a9121b2957c22d`
`voices/Adam.mossclone`	2 KB	`79c223efb4397a50d48a81c6856533b1b79e5ab80353470c5ec018691063d8c4`
`voices/Anon.mossclone`	1 KB	`1287a8efaa8bdd896615a27fa2ae2f28e85c2f3ccfd65d8ff3ca228ff1a0b52f`
`voices/Arisa.mossclone`	3 KB	`48f769df5f170c7ce436c7046fae27017b22889abb1432367a12bb3f08bad388`
`voices/Ava.mossclone`	3 KB	`86fb98bdae192abfa491429f448d769ce8031c5ea7e0273449449de6e8dfd364`
`voices/Bella.mossclone`	2 KB	`1b37d5f6e9ad6a728da90fdc973ac45ebf4ba3debd0d09a77fa3831d1d852157`
`voices/Junhao.mossclone`	3 KB	`fa69dea3383a58f9db159e3715c5f0c0e8bcef046699a87b69afa54228e35303`
`voices/Lingyu.mossclone`	7 KB	`b3d67c78f04e4b7e2777d88188861122b78d5e928239bf7eee0e4e73ded9e51d`
`voices/Mei.mossclone`	2 KB	`4f2de31749eee8e7505ffa64b23773cf25d27ae8ed6725eaad0e5550ff9cbefb`
`voices/Mortis.mossclone`	2 KB	`1b47cecce80fa9018873f8dede075678c390cb7114d794c801ba05f9e851a60a`
`voices/Nathan.mossclone`	5 KB	`b2b77848ffc364ed92d98c6b2abc2e36eef61b9105c2197dfd8a4881f2dfacc5`
`voices/Saki.mossclone`	1 KB	`1cfc68bd3450eef51cf689a89c60562b0bf2b036bb678334a05d6d07a86b03b2`
`voices/Soyo.mossclone`	4 KB	`d09d8128f8e2acbb710c66b71930373e5ffaf4fd8234ab9ba1055e91953c089a`
`voices/Trump.mossclone`	3 KB	`c389ce08ba432599426736acc61949b5481f96a05a02a4d4ae82656ae3fcdf20`
`voices/Umiri.mossclone`	2 KB	`edd1c5e73ecbc05720b7f04799bc09e52bc6b01e635ceba5c5f9ed1ab249ba33`
`voices/Weiguo.mossclone`	4 KB	`8fa4db78ad45250288b06ca6dbcc86e39be555df22c6655f4d22a9dc290020fc`
`voices/Xiaoyu.mossclone`	6 KB	`ce49342e01cf2b6de8c777717c744ae777b6b48ab40a8367a0f41b07614f67fb`
`voices/Yuewen.mossclone`	3 KB	`6b15cde411a1becaa3e9cc4e2b65fbcef72785dc25d34996fea4304f6b5ea3be`
`voices/Zhiming.mossclone`	3 KB	`2dd4e8bd36a6e01802af817b859e1c951827776407bf4c3dce577b860035507b`
合计	163.8 MB

manifest.json 是同一份清单的副本，引擎读它得到 model_id / model_revision； voices/*.mossclone 是 18 个内置音色（参考音频经编码器得到的 VQ 码，每个几 KB）。

用法

两条路，任选一条。

不想折腾：下发布包（MossTTS-win-x64-full.zip，约 159 MB，程序 + 权重 + 音色），解压后双击 moss_tts.exe。

只要权重：把这个仓库下到任意目录当 models/ 用：

git clone https://huggingface.co/litterbit/moss-tts-nano-moss models
moss_tts.exe --models models --text "你好，世界。" --voice Junhao --out hello.wav
moss_tts.exe --models models            # 或者不带参数：起本地网页试听台

也可以只下 lite 包再把 models/ 放进去。

引擎的查找顺序是 --models → exe 同级的 models/ → %LOCALAPPDATA%\MossTTS\models，所以把本仓库解到 exe 旁边的 models/ 里最省事。

校验

每个文件的 sha256 都在上表里，也写在 manifest.json。核对：

sha256sum -c sha256sums.txt     # 从发布页取（Windows: certutil -hashfile <file> SHA256）

引擎自己也会校验吗？--selftest 会加载全部权重并合成一段做峰值检查；发布流水线在下载后逐个文件比对 scripts/model_lock.json（仓库里的信任根，不是"下完再生成"）。

量化与实测

部分	精度	体积
LLM 权重	int8 `Q8_0`（32 元素一组 scale，4 行一组重排）	119.3 MB
LLM 激活	解码段 fp32（prefill 仍 int8）	—
音频解码器 / 编码器	fp16	22.3 / 21.8 MB
分词词表	原始	427 KB

精度（teacher forcing，和 fp16 参考比，同一段 in-domain 语料）：

配置	code 翻转	KL	说明
int8 权重 + fp32 解码激活（发布默认）	5.2%	0.00145	听不出差别
激活也量化成 int8	8.7%	0.0042	备选，快 15%
权重再降到 Q4	64~86%	0.44~1.16	不可用，响度都会变

速度（i5-14600KF，4+6 线程，纯粹在 CPU 上）：LLM 7.4 ms/帧、解码器 6.2 ms/帧， 5.12 s 语音首块 93~114 ms、总共 764 ms（RTF 0.149）；16.7 ms/帧是关闭 AVX2 的标量回退。

音色

18 个内置音色：Junhao、Xiaoyu、Ava、Trump…… 都是上游自带参考音频编码出来的。
自己的音色：给一段 5~15 秒 WAV（PCM），网页上点"创建音色"或 moss_clone.exe --encoder models/encoder_f16.moss --in ref.wav --out voices/me.mossclone。产物只有几 KB，和内置音色物理隔离存放，升级不会覆盖。

许可与归属

上游：MOSS-TTS-Nano-100M，Apache-2.0。
本仓库是它的量化/重排产物，同样适用 Apache-2.0；未对结构、训练数据或参数取值做再训练。
本项目与 MOSS 模型作者无隶属关系，未获其背书。完整声明见仓库根的 NOTICE / LICENSE。

litterbit
/

moss-tts-nano-moss

MOSS-TTS-Nano-100M · CPU 权重包

这是什么

文件

用法

校验

量化与实测

音色

许可与归属

相关链接