最近在几个AI工具论坛和B站刷到不少人在聊MOSS-TTS-Nano，说是不用显卡靠CPU就能实时出声音，还能克隆音色。之前折腾过好几个语音克隆工具，基本都卡在显卡这一关，没有N卡或者显存不够就直接劝退。这次专门去查了官方仓库和几个UP主的实测记录，把看到的信息整理了一下，写给同样没有独立显卡、又想试试语音克隆的人看看。

MOSS-TTS-Nano是什么

MOSS-TTS-Nano是MOSI.AI和OpenMOSS团队放出来的一个开源多语言语音生成模型，参数量只有0.1B，模型文件不到300M。官方的说法是这个模型专门为CPU实时生成设计，流式生成能在4核CPU上跑起来，部署流程也比较简单，适合本地演示、网页服务和一些轻量级产品的接入。

它属于MOSS-TTS这个模型家族里比较小的一个分支，家族里还有做长文本合成的旗舰版、多说话人对话生成的MOSS-TTSD、直接生成音色不需要参考音频的MOSS-VoiceGenerator这些。Nano这个版本主打的就是轻，别的模型可能要显卡才跑得动，这个几核CPU就能用。

官方README里写的项目亮点包括超轻量级只有0.1B参数、CPU原生支持单核就能流式推理、有ONNX的CPU版本彻底脱离PyTorch依赖、完整保留语音克隆流程支持参考音频一键克隆、覆盖中英日韩等近20种语言、输出48kHz双声道音频。有知乎上写部署记录的人提到过，在MacBook Air M4上用ONNX CPU版本，仅用一颗核心就能流畅运行，这个说法基本对上了官方宣传的低门槛定位。

优点简单列一下：

• 不用显卡，普通笔记本CPU也能跑
• 模型体积小，下载和加载都快
• 一段参考音频就能克隆音色，流程不复杂
• 支持长文本自动分块，不用手动切段
• 多语言覆盖广，中英日韩都能读
• 有ONNX版本，不依赖PyTorch环境，部署更省事

网上找到的整合包版本里，有UP主在B站发的一键包标题写着“无需GPU，8G内存流畅运行，无限制使用”，评论区反馈基本是解压就能用，没什么复杂的环境配置步骤。也有博主专门发过一篇部署实录，标题直接就是“0.1B参数语音克隆，纯CPU实时运行，无需显卡”，从标题到评论看下来，这个低门槛确实是这个工具被反复提起的核心卖点。

MOSS-TTS-Nano需要的硬件条件

这个工具跟前面聊过的数字人类工具不一样，最大区别就是不挑显卡。

官方给出的定位很明确，CPU友好，流式生成能在4核CPU上运行。B站视频简介里的整合包标注是8G内存流畅运行，没有提到需要独立显卡。有人在苹果的M4芯片笔记本上测试过，用ONNX版本单核CPU就能流畅跑起来，说明这个模型对处理器要求确实不算高。

大致列一下配置参考：

• 处理器：4核CPU起步，主流笔记本处理器基本都够用
• 内存：8G内存能流畅跑，模型本身文件不到300M，占用不算大
• 显卡：不需要，没有独立显卡也能用
• 系统：Windows能跑，苹果芯片的Mac也有人测试过能用
• 硬盘：模型加整合包环境，预留几个G空间就够

对比前面聊过的数字人工具动不动就要求6G、8G显存，这个工具确实是把门槛压得很低了，普通办公本、轻薄本基本都能装起来试试。当然实时生成的速度跟处理器性能有关系，核心数越多、主频越高，出声音的速度会更快一些。

跟同类语音克隆工具的对比

语音克隆和TTS这个方向现在做的团队挺多，挑几个经常被拿出来一起讨论的放一起看看差别：

工具	参数规模	硬件要求	部署难度	特点
MOSS-TTS-Nano	0.1B，超轻量	CPU即可，4核起步	低，有ONNX一键包	无需显卡，模型小，多语言，长文本自动分块
MOSS-TTSD	未公开具体参数	8G显存NVIDIA显卡	中等	多说话人对话生成，适合播客场景
IndexTTS2	较大规模	消费级显卡	中等，有可视化整合包	情感控制精细，音色相似度高
CosyVoice	较大规模	需要独立显卡	中等	阿里出品，音色克隆效果稳定
F5-TTS	中等规模	需要独立显卡	偏高，环境配置步骤多	2秒素材复刻声音，学术圈用得多
VoxCPM	中等规模	支持消费级显卡	低，有一键包	支持方言，48kHz高保真输出

从这个表格能看出来，同类工具里大部分都在往显卡这条路子走，追求的是音质和情感表现力，MOSS-TTS-Nano走的是另一条路，参数小、跑得动、够用就行，牺牲了一部分极致音质，换来的是几乎人人都能用的部署门槛。

CSDN上有篇文章写另一个整合版本时提到，市面上同类TTS工具大部分需要复杂的环境部署和漫长的模型训练，硬件门槛普遍偏高，8G显存才能流畅跑全功能。对比着看，Nano这个版本相当于把整个准入门槛从“得有显卡”降到了“有台电脑就行”，适合的场景也不太一样，更偏向轻量演示、个人小项目、还有对实时性要求高但音质要求没那么极致的场合。

详细安装教程

按ONNX CPU一键包的方式走，步骤比较简单，跟着做基本能跑起来。

第一步，下载整合包。
https://pan.quark.cn/s/a364844f5f3c

第二步，解压到干净路径。
下载完的压缩包解压到一个纯英文没有空格的文件夹里，避免路径问题导致程序读取失败。整合包基本是免安装的，解压完直接能看到启动脚本或者可执行文件。

第三步，启动程序。
双击启动脚本，第一次运行会做一些初始化，因为模型文件本身不大，这个过程比大模型类的整合包快很多，一般几分钟以内能跑起来。

第四步，准备参考音频。
语音克隆模式需要一段参考音频，官方示例用的是几秒钟的wav格式音频文件，录制的时候尽量选安静环境，说话清晰一点，背景噪音少一些，克隆效果会更稳定。

第五步，输入文本生成语音。
在网页演示界面或者命令行里输入要合成的文本，选好参考音频，点生成就行。官方给的命令行示例大概是这样，指定参考音频路径和要转换的文字，程序会把生成的音频写到默认的输出文件夹里。

第六步，长文本自动分块。
如果文本比较长，不用手动切分段落，这个模型支持长输入自动分块处理语音克隆，正常输入就行，程序内部会自己处理。

第七步，需要的话可以用浏览器扩展或Python API。
官方说明里提到支持CLI命令行、网页演示、Python API、浏览器扩展这几种接入方式，看自己的使用场景选一种就行，日常测试用网页演示界面最省事。

装的时候比较容易碰到的问题是路径带中文导致读取出错，还有下载环节因为网络问题卡住，这两个提前注意一下基本能顺利装完。

一些实际用下来的反馈

知乎上有人写了一篇初次使用记录，之前用过阿里云部署的TTS服务，也用本地4090跑过别的语音模型，试用MOSS-TTS-Nano之后的评价是作为本地部署的TTS模型，这应该是很不错的一个选择。从有4090这种高配显卡使用经验的人嘴里说出这句话，多少能说明这个工具在轻量场景下确实有它的位置，不是非要跟大模型拼音质，而是解决了很多人有需求但没有硬件的问题。

也有评论提到过，这类轻量模型在长篇小说、书籍这种超长连续朗读场景上表现一般，更适合短文本合成和日常语音克隆需求，追求长时间稳定听书体验的话可能要考虑别的方案。这个提醒挺实在的，选工具之前先想清楚自己的实际用途，短文本配音、个人项目试水这类场景用这个基本没问题，真要做长篇有声书可能还是得看专门针对长文本优化的模型。

总的来看，这类不挑硬件的开源工具对普通用户是件好事，以前想试试语音克隆基本绕不开显卡这道坎，现在一台普通笔记本也能跑起来试试效果，门槛降下来之后能玩的人自然就多了。