MOSS-TTS

我们正式推出新一代旗舰级文本转语音模型（Text-to-Speech，TTS）。它不是只为了做出好看的 Demo，而是面向真实产品环境打造：可以上线、可以扩展、可以切实提升用户和业务的生产力。作为一个真正的语音基座模型，它在可商用性、开源友好度与研究价值等方面都达到了行业领先水准。

在设计上，我们围绕语音生成最关键的三大要素展开：高质量的音频离散编码器（tokenizer）、大规模且高质量多样化的预训练数据，以及高效的离散 token 建模方法。这三者的组合，让模型在保持架构尽可能简洁（自回归范式）的同时，依然能够达到一流的生成效果——结构尽量简单，效果尽可能强。

该模型在客观和主观评测中均达到了业界领先的语音合成质量，以语音克隆为核心能力，支持超长稳定语音生成、token级别的时长控制、多语言和代码切换合成，以及细粒度的拼音/音素级别发音控制——使其成为可扩展语音应用的生产级基础。

在核心层面，我们的模型通过三个最关键的因素实现语音生成的突破：高质量的音频tokenizer、大规模高质量且多样化的预训练数据，以及高效的离散token建模方法。这些要素结合在一起，让我们用一个出人意料简洁的配方达到了业界领先的性能：简单的自回归范式——架构尽可能精简，效果却强大有力。

以下是 MOSS Audio Tokenizer 的架构图：

以下是 MOSS-TTS 中使用的两种架构示意图。

下图对比了我们自研的 MOSS Audio Tokenizer 与其他开源语音 tokenizer 在 LibriSpeech test-clean子集上的表现，评估指标包括 SIM、STOI、PESQ-NB 和 PESQ-WB（数值越高越好）。在推理阶段，我们通过调整使用的 RVQ codebook 数量来控制同一模型的比特率（bps）。