MisoLabs/MisoTTS · Hugging Face

来源：https://huggingface.co/MisoLabs/MisoTTS

https://huggingface.co/MisoLabs/MisoTTS#miso-tts-8bMiso TTS 8B

https://huggingface.co/MisoLabs/MisoTTS#model-introduction模型简介

Miso TTS 8B 是一个基于 Sesame CSM 架构的文本到语音模型。它从文本和可选的音频上下文中生成 Mimi 音频编码，使用一个大型的 Llama 3.2 风格的主干网络和一个较小的自回归音频解码器。

该模型专为高质量对话语音生成和基于提示音频的语音延续而设计。本仓库包含推理代码、模型定义以及在本地运行 Miso TTS 的设置说明。

https://huggingface.co/MisoLabs/MisoTTS#quickstart快速开始

要运行模型，请使用我们公共仓库（https://github.com/MisoLabsAI/MisoTTS）中的推理代码，或访问 misolabs.ai 试用我们的演示。

https://huggingface.co/MisoLabs/MisoTTS#model-summary模型总结

https://huggingface.co/MisoLabs/MisoTTS#architecture架构

Miso TTS 8B 使用两个 Transformer 组件：

• 一个大型主干 Transformer，用于处理文本/音频帧嵌入。
• 一个较小的解码器 Transformer，在每个帧内自回归地预测更高阶的音频码本。

码本 0 由主干隐藏状态预测，而码本 1 到 31 由音频解码器在码本深度上自回归预测。

https://huggingface.co/MisoLabs/MisoTTS#links链接

• 网站：misolabs.ai (https://misolabs.ai/)
• Hugging Face：MisoLabs/MisoTTS (https://huggingface.co/MisoLabs/MisoTTS)
• GitHub：MisoLabsAI (https://github.com/MisoLabsAI)
• X：@MisoLabsAI (https://x.com/MisoLabsAI)