复旦 OpenMOSS 这波 MOSS-TTS Family 我觉得方向感是对的：不憋一个万能大模型，把语音任务拆成五个——主 TTS、对话 TTSD、声音设计 VoiceGenerator、音效 SoundEffect、实时流式 Realtime。

🔧 做过 AIGC 视频生成的都知道，TTS 这块最尴尬就是"一个模型干所有事"：你让它念十分钟长文，它对话就拉胯；调好对话，角色音色又飘。拆开各练各的，工程上反而清爽。

几个我觉得真有手感的点：

📌 Nano 只有 100M，4 核 CPU 流式跑，48k 立体声——这是真的奔着端侧去的，不是发完 paper 就完事
📌 llama.cpp + ONNX 做 PyTorch-free 推理，GGUF 量化权重，8B 能塞 8G 显存——这套组合拳前段时间还只在 LLM 圈玩，搬到 TTS 是迟早的事
📌 SGLang 后端给 Delay 架构上了，吞吐 3x

要打问号的也有：

🤔 TTSD 说主观评测超 Doubao 和 Gemini 2.5-pro，自家评测要看怎么设的，长对话稳定性、跨语种码切、情绪连贯这些场景，等社区盲测出来再说
🤔 拆五个模型听着干净，落地时编排成本不低，谁负责切换、谁兜底、延迟怎么对齐——做过 ComfyUI 集群的应该懂这种 pipeline 的运维痛

但开源生态肯, 这种"拆开 + 端侧能跑 + 有 llama.cpp 路径"的姿态，比单纯刷榜的有用多了。 GitHub: OpenMOSS/MOSS-TTS