SGLang-Omni 上の MOSS-TTS-Local-Transformer-v1.5:ネイティブストリーミング 48 kHz 音声サービス
原題:Blog MOSS-TTS Local Transformer v1.5 on SGLang-Omni: Serving Native-Streaming 48 kHz Speech Today we are announcing end-to-end serving for MOSS-TTS-Local-Transformer-v1.5 on SGLang-Omni, together with MOSI and the OpenMOSS Team. MOSS-TTS-Local-Transformer-v1.5 is an open TTS model for 48 kH... MOSI, OpenMOSS Team & SGLang-Omni Team
AI 要約
MOSS-TTS-Local-Transformer-v1.5 はオープンソースの TTS モデルで、48 kHz ステレオ、ゼロショット音声クローン、最長 10 分の長文合成、長さ制御、31 言語をサポートする。中核には Qwen3-4B バックボーンと約 2B パラメータの MOSS-Audio-Tokenizer-v2 音声コーデックを採用し、12 個の RVQ コードブックで動作する。SGLang-Omni は 3 段階パイプラインでこのモデルをデプロイする。Seed-TTS-Eval では単語誤り率 5.10%、音声類似度 69.23%、CV3-Eval では WER 7.48%、SIM 61.59%、MiniMax Multilingual では WER 6.37%、SIM 75.31%、X Voice では WER 20.48%、SIM 63.00% を記録した。
要点
- MOSS-TTS-Local-Transformer-v1.
- 5 はオープンソースの TTS モデルで、48 kHz ステレオ、ゼロショット音声クローン、最長 10 分の長文合成、長さ制御、31 言語をサポートする。
- 中核には Qwen3-4B バックボーンと約 2B パラメータの MOSS-Audio-Tokenizer-v2 音声コーデックを採用し、12 個の RVQ コードブックで動作する。
- SGLang-Omni は 3 段階パイプラインでこのモデルをデプロイする。
- Seed-TTS-Eval では単語誤り率 5.
概要
- 公開日時
- 更新日時
- 出典
- LMSYS Blog
- カテゴリ
- 製品とアプリ
- AI スコア
- 67
SGLang-Omni 把 MOSS-TTS 的端到端服务拆成三阶段并做了大量底层优化,对想落地实时语音合成的团队是现成的技术方案,技术细节扎实,可以直接照着搭。
関連エンティティ
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:SGLang-Omni 上の MOSS-TTS-Local-Transformer-v1.5:ネイティブストリーミング 48 kHz 音声サービス。2026年6月17日。https://new.nat6.net/ja/news/cmqj36zhf06vksl5w4wx2c0eo/