纯 CPU 浏览器 ONNX 推理 · GitHub Pages 部署

MOSS-TTS-Nano

一个 0.1B 参数的多语言文字转语音模型，完全在你的浏览器中运行。无需服务器、无需 GPU —— 模型已预置在仓库中，打开页面即可使用。支持声音克隆、流式解码和 20 种语言。

模型源

功能说明：设置 ONNX 模型文件的根目录路径。模型已预置在仓库的 models/ 目录下，默认填写即可。

使用步骤：① 确认路径 → ② 点击「加载并准备」加载模型 → ③ 加载完成后前往「语音」区域开始合成。

浏览器 ONNX 模型根目录 CPU 线程数（0=自动）

当前选择

尚未选择路径。

点击 加载并准备 预加载分词器、ONNX 推理会话并执行预热。模型文件位于仓库的 models/MOSS-TTS-Nano-100M-ONNX 和 models/MOSS-Audio-Tokenizer-Nano-ONNX 目录中。

生成选项

功能说明：控制 TTS 合成的各项参数。更改后即时生效，下次合成时使用新参数。

建议：保持默认值即可获得良好效果。如需调整，请参考每个选项的说明。

采样模式固定采样帧使用专用快速路径，包含主机提供的随机数和图内采样。

WeTextProcessing 启用 WeTextProcessing 更精确的多语言文本正则化处理（如数字、符号规范化）。

文本规范化启用 normalize_tts_text 对输入文本进行预处理，提升合成质量。

初始播放延迟（秒）收到第一个音频块后等待多久开始播放。越大缓冲越稳，但首音延迟越高。注意力后端注意力机制的计算方式。model_default 通常最优，sdpa 可能更快，eager 更稳定。声音克隆最大文本 Token 数声音克隆时使用的参考文本 token 上限。越大克隆越准确，但推理时间越长。最大 TTS 批大小（0=自动） TTS 模型每次推理的批处理大小，0 表示自动选择。最大编解码器批大小（0=自动）音频编解码器每次推理的批处理大小，0 表示自动选择。

固定采样帧 使用专用快速路径，其固定超参数为：文本温度 1.0 / top-p 1.0 / top-k 50，音频温度 0.8 / top-p 0.95 / top-k 25 / 重复惩罚 1.2。 全采样 则使用完整的逐 token 采样流程。

语音选择

功能说明：选择内置或已上传的语音音色，输入要合成的文本，点击按钮开始生成。

使用步骤：① 选择语音 → ② 选择或输入文本 → ③ 点击「非流式合成」或「实时流式解码」。

区别：非流式合成等待全部生成完毕后播放；流式解码边生成边播放，首音延迟更低。

内置 / 已上传语音选择要使用的语音音色。内置 18 种，你也可以上传自定义语音。示例句子选择预设的示例句子，会自动填充到下方文本框。

合成文本输入任意文本，支持中文、英文、日文、韩文等 20 种语言。

上传语音

功能说明：上传你自己的参考音频，编码为声音克隆用的提示音频编码，保存到浏览器本地存储中。

使用步骤：① 填写显示名称和分组 → ② 选择参考音频文件（.wav/.mp3/.flac 等）→ ③ 点击「编码并保存」。

注意：上传的语音编码后保存在浏览器本地存储中，不会上传到任何服务器。

显示名称给上传的语音起一个名字，方便在语音列表中识别。分组可选分组标签，用于归类管理多个上传语音。

参考音频文件上传一段清晰的单人语音片段（建议 3-10 秒），用于声音克隆。

上传的语音会在本地编码为提示音频编码并保存到浏览器存储中，你可以在不同会话中复用这些自定义语音。所有处理均在本地浏览器中完成，不会上传到任何服务器。

状态与日志

说明：此处显示当前运行状态、已准备的文本以及详细的运行日志。日志以 [时间戳] 格式记录每一步操作。

当前命令解释

等待操作…

页面已就绪，请先在「模型源」区域点击「加载并准备」来加载模型。

已准备文本

尚未准备文本。

运行日志