moss-tts-nano-speech — скилл для Claude Code: локальный TTS на CPU

Что делает moss-tts-nano-speech

MOSS-TTS-Nano — открытая модель синтеза речи на 0.1B параметров от MOSI.AI и команды OpenMOSS. Внутри связка аудио-токенизатора и авторегрессивной LLM: на выходе стерео 48 кГц, поток токенов идёт на 12.5 Гц, языков — 20. Скилл даёт агенту готовые рецепты вызова: CLI moss-tts-nano generate, прямой infer.py, Python-класс MossTTSNanoInference и HTTP-эндпоинты локального сервера.

Клонирование голоса работает по опорному WAV: передаёте --prompt-speech или --prompt-audio-path, и модель повторяет тембр на всём тексте. Длинные документы режутся на куски автоматически, голос при этом не меняется. Есть потоковый режим infer_stream — чанки отдаются по мере генерации, это заметно снижает задержку перед первым звуком.

Ставить нужно через conda с Python 3.12: conda create -n moss-tts-nano python=3.12 -y, затем клон репозитория и pip install -r requirements.txt с pip install -e .. Если сборка WeTextProcessing падает, в инструкции есть отдельный обходной путь через pynini и форк с GitHub. Веса тянутся с Hugging Face при первом запуске, так что без сети первый прогон не пройдёт.

Локальный веб-демо поднимается командой moss-tts-nano serve и слушает http://127.0.0.1:18083; модель остаётся в памяти, поэтому повторные запросы идут быстрее. Язык определяется по тексту и опорному аудио, отдельный код указывать не надо.