Ce qui le distingue
Tous les autres modèles sortent du mono. Celui-ci génère deux canaux, à 48 kHz, parce que son codec audio a été conçu pour ça. Il expose aussi un contrôle de durée au niveau du jeton : on peut lui demander une durée cible plutôt que de subir celle qu'il choisit.
Choix techniques
ce que ses auteurs ont décidé, et ce que ça implique4,55 milliards de paramètres
Comptés dans le fichier de poids de la révision épinglée. La configuration déclare un taux d'échantillonnage de 48 000 Hz et un vocabulaire audio de 1 024 entrées.
Un second modèle téléchargé sans le dire
Le chargement tire aussi, implicitement, le tokenizer audio MOSS-Audio-Tokenizer-v2 (environ 8 Go supplémentaires). Un piège pour le budget disque si on ne compte que la taille affichée du dépôt principal.
Un codec lent en images par seconde
Le codec fonctionne à 12,5 images par seconde (125 images ≈ 10 secondes d'audio, d'après la model card) : c'est ce qui rend le contrôle de durée possible « au jeton près ».
Sortie stéréo à convertir
Le décodage renvoie un tenseur [canaux, échantillons]. Notre socle commun ne garde que le canal 0 pour rester comparable aux autres modèles — et surtout pour éviter le bug classique qui concaténerait les deux canaux bout à bout.
Balisage riche dans le texte
Pauses explicites ([pause 0.5s]), prononciation en Pinyin ou en API phonétique, alternance de langues dans une même phrase : tout cela passe directement dans le texte d'entrée.
Langues couvertes
métadonnéeslanguage: de la model card31 langues, dont le français
chinois, cantonais, anglais, arabe, tchèque, danois, allemand, néerlandais, espagnol, FRANÇAIS, finnois, grec, hébreu, hindi, hongrois, japonais, italien, coréen, macédonien, malais, russe, persan, polonais, portugais, suédois, roumain, swahili, tagalog, thaï, turc, vietnamien
Ce qu'on peut régler
paramètres exposés par ce modèleRelevé dans la signature du code réellement installé pour nos runs (et dans la documentation officielle quand elle précise les valeurs recommandées). Chaque modèle expose des leviers différents : c'est souvent là que se joue la différence entre un résultat correct et un bon résultat.
| paramètre | défaut | ce que ça change |
|---|---|---|
contrôle de durée (${token:N}, token_count) | — | Le paramètre le plus distinctif du modèle : on lui impose une durée cible en nombre de jetons (12,5 jetons = 1 seconde). Précieux pour caler une voix sur une vidéo ou un temps de parole imposé. |
| audio_temperature | 1.7 | Aléa de l'échantillonnage audio. Valeur recommandée élevée par rapport aux autres modèles du benchmark — c'est un choix de l'éditeur. |
| audio_top_p / audio_top_k | 0.8 / 25 | Filtrage des jetons acoustiques candidats au moment du tirage. |
| audio_repetition_penalty | 1.0 | Pénalise les motifs acoustiques répétés. Descendre sous 1,0 est un piège connu : cela encourage la répétition au lieu de la punir. |
balises dans le texte ([pause 0.5s], Pinyin, API phonétique) | — | Pauses explicites et prononciation forcée s'écrivent directement dans le texte d'entrée, sans passer par un paramètre. |
| language / instructions | — | Indication de langue et consigne de style en langage libre (via l'API compatible OpenAI exposée par le projet). |
Ce qu'on mesure sur ce modèle
nos runs, pas les chiffres de l'éditeurÀ l'oreilletest d'écoute en aveugle
Détail complet : table de toutes les métriques · résultats du test d'écoute.
Réglages de génération utilisés
relevés dans les métadonnées de nos runsCes valeurs sont celles réellement passées au modèle pour produire les audios mesurés — pas des réglages recommandés recopiés d'une documentation. Elles sont écrites par l'adaptateur dans le meta.json de chaque run.
À savoir avant de l'utiliser
pièges, limites, nuances de licence- Démarrage à froid mesuré chez nous à environ 600 secondes au tout premier lancement — téléchargement du tokenizer audio inclus.
- Nous faisons tourner les réglages par défaut de la model card (température audio 1,7), pas un réglage calibré par voix : les chiffres mesurés ici sont donc ceux d'une intégration « sortie de boîte ».
Sources & vérification
vérifié le 2026-09-12Les comptes de paramètres cités plus haut sont lus directement dans les fichiers de poids de la révision épinglée ci-dessous (en-têtes safetensors / torch), pas repris d'une annonce. Les caractéristiques annoncées proviennent de la model card officielle, liée ici. Les chiffres de performance viennent de nos propres runs.
Note de licence : apache-2.0 confirmé (métadonnée HF) ; moteur de prod avisol