在无 GPU 环境本地部署…

适合需要 CPU 实时多语言语音合成、声音克隆、流式输出或本地 HTTP TTS 服务的场景。

适用场景

解决思路

1. 安装：创建 conda 环境 `conda create -n moss-tts-nano python=3.12 -y`。
2. 安装：激活环境 `conda activate moss-tts-nano`。
3. 安装：执行 `git clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git`。
4. 安装：执行 `cd MOSS-TTS-Nano`。
5. 安装：执行 `pip install -r requirements.txt`。
6. 安装：执行 `pip install -e .`。
7. 修复 WeTextProcessing：若安装失败，执行 `conda install -c conda-forge pynini=2.1.6.post1 -y`，再执行 `pip install git+https://github.com/WhizZest/WeTextProcessing.git`。
8. 安装后，在激活环境中可用 `moss-tts-nano` CLI 命令。
9. 模型权重：首次运行自动从 Hugging Face 下载 TTS 模型 `OpenMOSS-Team/MOSS-TTS-Nano` 和音频 tokenizer `OpenMOSS-Team/MOSS-Audio-Tokenizer-Nano`。
10. 模型权重：ModelScope 镜像为 `openmoss/MOSS-TTS-Nano` 和 `openmoss/MOSS-Audio-Tokenizer-Nano`。
11. CLI 声音克隆生成：`moss-tts-nano generate --prompt-speech assets/audio/zh_1.wav --text '欢迎关注模思智能、上海创智学院与复旦大学自然语言处理实验室。'`。
12. CLI 默认输出：`generated_audio/moss_tts_nano_output.wav`。
13. CLI 从文本文件生成长文本：`moss-tts-nano generate --prompt-speech assets/audio/zh_1.wav --text-file my_script.txt --output output.wav`。
14. 启动本地 Web demo：`moss-tts-nano serve` 或 `python app.py`。
15. Web demo 地址：`http://127.0.0.1:18083`；模型常驻内存以加快重复请求。
16. 直接 Python 入口：`python infer.py --prompt-audio-path assets/audio/zh_1.wav --text 'Hello, this is a test of MOSS-TTS-Nano.'`。
17. 直接 Python 入口默认输出：`generated_audio/infer_output.wav`。
18. Python API：`from infer import MossTTSNanoInference`。
19. Python API：初始化一次 `tts = MossTTSNanoInference()`；首次运行会下载权重。
20. Python API 声音克隆：`audio = tts.infer(text='欢迎使用MOSS语音合成系统。', prompt_audio_path='assets/audio/zh_1.wav')`。
21. 保存输出：`import soundfile as sf`，`sf.write('output.wav', audio, samplerate=48000)`。
22. 英文声音克隆：用 `prompt_audio_path='assets/audio/en_sample.wav'` 和英文 `text` 调用 `tts.infer(...)`，再保存。
23. 流式推理低延迟：`chunks = []`，`for audio_chunk in tts.infer_stream(text='...', prompt_audio_path='assets/audio/en_sample.wav'): chunks.append(audio_chunk)`，可实时处理或播放 chunk。
24. 流式推理保存：`full_audio = np.concatenate(chunks)`，`sf.write('streamed_output.wav', full_audio, samplerate=48000)`。
25. 长文本合成：直接把长文本传给 `tts.infer(text=long_text, prompt_audio_path='assets/audio/en_sample.wav')`；模型自动分块，每块复用同一参考音色，保持说话人一致。
26. 长文本保存：`sf.write('long_form_output.wav', audio, samplerate=48000)`。
27. FastAPI HTTP 端点使用前提：已运行 `moss-tts-nano serve` 或 `python app.py`。
28. HTTP 普通合成：把参考音频读为 base64，`requests.post('http://127.0.0.1:18083/generate', json={'text': '你好，这是一个语音合成测试。', 'prompt_audio_base64': ref_audio_b64})`。
29. HTTP 普通合成解析：从 `response.json()['audio_base64']` 解码 `audio_bytes`，用 `sf.read(io.BytesIO(audio_bytes))`，再 `sf.write('api_output.wav', audio_array, samplerate=sr)`。
30. HTTP 流式响应：`requests.post('http://127.0.0.1:18083/generate_stream', json={'text': '流式语音合成示例，适合实时播放场景。', 'prompt_audio_base64': ref_audio_b64}, stream=True)`。
31. HTTP 流式保存：用 `resp.iter_content(chunk_size=4096)` 将 chunk 写入 `stream_output.wav`。
32. 语言支持：zh、en、de、es、fr、ja、it、hu、ko、ru、fa、ar、pl、pt、cs、da、sv、el、tr。
33. 语言选择：根据输入文本和参考音频自动推断，基础用法无需显式语言代码参数。
34. 输出规格：48 kHz、2 声道立体声；保存时使用 `samplerate=48000`。
35. 架构/模型：Audio Tokenizer + LLM 自回归管线；MOSS-Audio-Tokenizer-Nano 约 20M 参数，CNN-free causal Transformer（Cat 架构）；token rate 12.5 Hz；RVQ 16 codebooks（0.125 kbps – 2 kbps）；LLM 约 0.1B 参数。
36. CLI 参数：`--prompt-audio-path` 用于 `infer.py` 指定参考 WAV 做声音克隆。
37. CLI 参数：`--prompt-speech` 在 `moss-tts-nano generate` CLI 中作用同上。
38. CLI 参数：`--text` 输入文本字符串。
39. CLI 参数：`--text-file` 长文本合成用的纯文本文件路径。
40. CLI 参数：`--output` 输出 WAV 路径（默认随入口不同）。
41. 批量合成模式：初始化一次 `MossTTSNanoInference()`，固定参考音频 `ref = 'assets/audio/zh_1.wav'`，遍历句子列表，每个句子调用 `tts.infer(text=sentence, prompt_audio_path=ref)`，保存为 `output_{i:02d}.wav`，`samplerate=48000`，并打印保存路径。
42. 实时播放模式：收集 `tts.infer_stream(...)` 的 chunk，`audio = np.concatenate(buffer)`，`sd.play(audio, samplerate=48000)`，`sd.wait()`。
43. Gradio 集成：定义 `synthesize(reference_audio_path, text)` 调用 `tts.infer(...)` 并返回 `(48000, audio)`；用 `gr.Interface`，输入 `gr.Audio(type='filepath', label='Reference Voice')` 和 `gr.Textbox(label='Text to synthesize')`，输出 `gr.Audio(label='Generated Speech')`；`demo.launch()`。
44. 故障修复 WeTextProcessing：同安装修复，先 `conda install -c conda-forge pynini=2.1.6.post1 -y`，再 `pip install git+https://github.com/WhizZest/WeTextProcessing.git`。
45. 模型下载慢/失败：`export HF_ENDPOINT=https://hf-mirror.com`，再运行 `python infer.py --prompt-audio-path assets/audio/zh_1.wav --text '测试'`。
46. 模型下载慢/失败：或 `pip install modelscope`，将模型路径指向 `openmoss/MOSS-TTS-Nano` 和 `openmoss/MOSS-Audio-Tokenizer-Nano`。
47. CPU 内存不足：使用流式推理 `infer_stream` 降低峰值内存。
48. CPU 内存不足：长文本输入时减小 chunk size；模型自动处理分块声音克隆。
49. CPU 内存不足：关闭其他应用；模型需要约 1–2 GB RAM。
50. 音频静音或损坏：确保参考 WAV 为干净 mono 或 stereo，16-bit 或 float32，任意采样率（会被重采样）。
51. 音频静音或损坏：参考音频最短约 3–5 秒以保证可靠声音克隆。
52. 音频静音或损坏：避免参考音频有严重背景噪声。
53. `moss-tts-nano` 命令未找到：在当前 conda 环境中重新执行 `pip install -e .`。
54. `moss-tts-nano` 命令未找到：执行 `which moss-tts-nano` 确认解析。
55. Web demo 端口冲突：默认端口 18083；用 `lsof -i :18083` 检查占用。
56. Web demo 端口冲突：必要时 kill 占用进程，再运行 `moss-tts-nano serve` 重启。
57. 输出默认路径：`python infer.py` -> `generated_audio/infer_output.wav`。
58. 输出默认路径：`moss-tts-nano generate` -> `generated_audio/moss_tts_nano_output.wav`。
59. 输出默认路径：`python app.py` / `moss-tts-nano serve` -> 通过 HTTP 响应返回。
60. 输出目录：`generated_audio/` 不存在时会自动创建。

适用边界 · 注意事项

• CPU 内存低于约 1–2 GB 时不适合运行。
• 参考音频不足 3–5 秒、含严重背景噪声或损坏时，不适合做可靠声音克隆。
• 首次无法访问 Hugging Face/ModelScope 且无本地模型缓存时不适合安装运行。