Усё яшчэ плаціце за агучку кароткіх відэа? Запісвалі дзясяткі разоў, пакуль не сарвалі голас? Хочаце стварыць «лічбавага двайніка» свайго голасу і выпускаць кантэнт паточна?魔音工厂(MOSS-TTS-Nano v0.1.0)— гэта сапраўды бясплатны, цалкам афлайн-інструмент лакальнага сінтэзу маўлення, які працуе нават на CPU. Вам дастаткова ўвесці тэкст і даць узорны аўдыяфайл, і ён згенеруе галасавы файл з тым жа тэмбрам. У гэтым артыкуле — інструкцыя па спампоўцы і ўсталяванні 魔音工厂, 3 правераныя кейсы і адказы на частыя пытанні, якія дапамогуць вам за 3 хвіліны запусціць першы канвеер AI-агучкі.
魔音工厂 MOSS-TTS-Nano — гэта бясплатны лакальны афлайн-інструмент сінтэзу маўлення, створаны на базе праекта з адкрытым зыходным кодам OpenMOSS MOSS-TTS-Nano (Apache 2.0), дапрацаваны кітайскімі распрацоўшчыкамі: адаптаваны кітайскамоўны інтэрфейс і запуск у адзін клік, гатовы да выкарыстання адразу.
Прасцей кажучы:Ператварае тэкст у гук без інтэрнэту і без аплаты, працуе на CPU, а таксама можа кланаваць тэмбр па ўзорным аўдыяфайле.
Увядзіце любы тэкст, выберыце тэмбр і атрымайце 48kHz стэрэа WAV-аўдыя ў адзін клік — якасць гуку блізкая да жывога голасу.
Прыклад дзеяння:Увядзіце ў тэкставае поле «你好,欢迎关注我的频道» і націсніце «Згенераваць»
Дайце ўзорны аўдыяфайл працягласцю 5-10 секунд, і AI вывучыць асаблівасці тэмбру і згенеруе маўленне, ідэнтычнае ўзорнаму голасу.
Прыклад дзеяння:Запампуйце аўдыя з уласным чытаннем → пастаўце галачку «Кланаванне голасу» → увядзіце тэкст і згенеруйце такі ж голас
Падтрымлівае 20 моў, уключаючы кітайскую, англійскую, японскую, карэйскую, французскую, нямецкую, з магчымасцю свабоднага пераключэння для стварэння шматмоўнай агучкі.
Прыклад дзеяння:У выпадальным спісе моў выберыце «English» і ўвядзіце англійскі тэкст для генерацыі англійскай агучкі
Пасля спампоўкі файлаў мадэлі на лакальны дыск праца не патрабуе інтэрнэту, не спажывае ліміты API і не стварае выдаткаў на падпіску.
Прыклад дзеяння:Пасля першага запуску ўключыце рэжым палёту — генерацыя маўлення ўсё роўна працуе
Глыбока аптымізаваны для CPU, для плыўнай працы дастаткова 4GB памяці, паскарэнне GPU не патрабуецца.
Прыклад дзеяння:Нават на старым офісным ноўтбуку запускаецца адразу, без дыскрэтнай відэакарты

| Сцэнарыі кейсаў | Увод тэксту | Вынік і ацэнка | Час генерацыі / прыдатнасць |
|---|---|---|---|
| Агучка кароткіх відэа | 8 секунд чыстага гуку + 30-знакавы тэкст для вуснай агучкі | Ідэальна аднаўляе тэмбр і інтанацыю ўзорнага аўдыя, нават рытм дыхання блізкі да жывога чалавека. Агучыў 3 відэа для пазнавальнага канала — з першага дубля, без постпрацэсінгу. Ацэнка: цалкам замяняе ручную агучку. | 7 секунд/запіс ★★★★★ |
| Шматмоўная вытворчасць кантэнту | Кітайскі тэкст 50 знакаў, выбраць англійскі голас | Англійскае вымаўленне натуральнае і плыўнае, без прыкметнага машыннага гучання, можна напрамую выкарыстоўваць для англійскай версіі відэа двухмоўнага акаўнта. Ацэнка: пераключэнне паміж мовамі вельмі зручнае, пазбаўляе ад неабходнасці перазапісваць гук. | 4 секунды/запіс ★★★★☆ |
| Аўдыёкнігі / чытанне доўгіх тэкстаў | Адзін раздзел рамана на 500 знакаў | Генерацыя па сказах з наступным злучэннем гучыць натуральна, разбіўка на сказы і паўзы даволі лагічныя. Ацэнка: падыходзіць для масавай вытворчасці аўдыякантэнту, але для доўгіх тэкстаў рэкамендуецца генераваць па 3-5 сказаў за раз, а затым злучаць — так вынік больш стабільны. | Каля 20 секунд/фрагмент ★★★★☆ |
Спампаваць архіў Magic Sound Factory са старонкі Release праекта і распакаваць яго ў шлях, які цалкам складаецца з англійскіх літар, напрыклад D:\moss\. Пазбягайце кітайскіх назваў папак, каб не выклікаць памылак пры запуску. Архіў утрымлівае поўныя файлы мадэлі (пры першым спампоўванні каля 728MB), рэкамендуецца пакінуць 2GB дыскавай прасторы.
Пасля распакавання двойчы пстрыкніце ў каранёвай папцы 启动.bat, праграма запусціць лакальны сэрвіс і аўтаматычна адкрые інтэрфейс у браўзеры. Пры гэтым з'явіцца чорнае акно каманднага радка,не закрывайце яго, закрыццё якога азначае выхад з праграмы.
У інтэрфейсе браўзера ўстаўце/увядзіце тэкст для сінтэзу, выберыце мову і голас (або загрузіце рэферэнснае аўдыя для ўключэння кланавання голасу), націсніце кнопку «Генераваць». Праз некалькі секунд можна праслухаць і спампаваць файл 48kHz WAV. У дадатковых наладах можна павялічыць даўжыню аднаразовай генерацыі да 60 секунд і нават больш.
💡 Парады па выкарыстанні:Для найлепшага выніку кланавання голасу рэкамендуецца выкарыстоўваць чысты галасок працягласцю 5-10 секунд (без фонавай музыкі і рэверберацыі). Калі генеруеце доўгі тэкст, спачатку адключыце выяўленне цішыні ў дадатковых наладах, затым генеравайце па некалькіх фрагментах і ў рэшце злучыце іх у праграме для мантажу.
| Крытэрый параўнання | 魔音工厂 | Microsoft Azure TTS | OpenAI TTS |
|---|---|---|---|
| Спосаб аплаты | Бясплатна і з адкрытым кодам | ¥50-200/месяц | ¥15-100/месяц |
| Патрабаванні да сеткі | Поўнасцю афлайн | Патрабуецца інтэрнэт | Патрабуецца інтэрнэт |
| Кланаванне голасу | Падтрымлівае | Толькі ў карпаратыўнай версіі | Падтрымлівае |
| Характарыстыкі вываду | 48kHz стэрэа WAV | 48kHz | 24kHz |
| Патрабаванні да абсталявання | Дастаткова CPU, 4GB аператыўнай памяці | Асаблівых патрабаванняў няма (воблака) | Асаблівых патрабаванняў няма (воблака) |
Цалкам бясплатна, рэгістрацыя не патрабуецца. Распрацавана на аснове адкрытай ліцэнзіі Apache 2.0, без урэзаных функцый або схаваных плацяжоў.
Па змаўчанні адно генераванне займае каля 30 секунд. У дадатковых параметрах можна павялічыць да 60 секунд і нават больш, але для доўгіх тэкстаў рэкамендуецца генераваць па частках, а затым злучаць — так стабільнасць вышэй.
Так. Аўтарскія правы на згенераванае аўдыя належаць вам, яго можна свабодна выкарыстоўваць у камерцыйных відэа, рэкламе, агучцы і іншых сцэнарыях, без вадзяных знакаў і абмежаванняў.
Windows 10/11, дастаткова 4GB аператыўнай памяці, дыскрэтная відэакарта не патрэбна. Пры першым запуску спампуецца каля 728MB файлаў мадэлі, пасля чаго ўсё працуе цалкам афлайн.
У архіве ёсць падрабязная інструкцыя па выкарыстанні, інтэрфейс цалкам на кітайскай мове, проста выконвайце падказкі. Таксама можна звярнуцца да 3-крокавага кіраўніцтва ў гэтым артыкуле — асвоіць можна прыкладна за 3 хвіліны.
魔音工厂 вырашае асноўную праблему“высокі кошт агучкі і складаны працэс”. Ён сціскае пераўтварэнне тэксту ў гаворку, кланаванне голасу і шматмоўную генерацыю ў адзін лакальны інструмент, які не патрабуе інтэрнэту, відэакарты і грошай. Ён асабліва падыходзіць для стваральнікаў кароткіх відэа, аператараў медыя, вытворцаў аўдыякніг і ўсіх, каму патрэбна шмат галасавога матэрыялу, але хто не хоча раскрываць свой голас. Раім спачатку за 3 хвіліны прайсці першую агучку, а затым паспрабаваць скапіяваць свой голас у ”лічбавага двайніка” — вось тады і пачнецца сапраўдны рост эфектыўнасці.
🎙️ Спампуйце 魔音工厂 MOSS-TTS-Nano зараз і запусціце сваю лакальную лінію сінтэзу маўлення!