上一篇讲 MOSS-Audio-Tokenizer 时说过：OpenMOSS 把音频 tokenizer 当成大模型来训，铸出了一套「既能听又能懂」的币。币铸好了，接下来自然是问：拿它买什么？

答案是 MOSS-TTS——OpenMOSS（MOSI.AI）与上海创智学院、复旦大学联合发布的语音生成基础模型，也是整个 MOSS-TTS 全家桶的主干。本文材料来自 2026 年 3 月的《MOSS-TTS Technical Report》（arXiv:2603.18090）和官方 GitHub 仓库；报告对应 1.0 版模型，仓库如今已推进到 v1.5，版本差异后文会标注。

先交代论文的立场，它写在引言里，态度相当鲜明。近几年的语音生成为了「既像人又稳定」，方案越堆越厚：中间表示、外挂语义老师、精修阶段、事后对齐……论文说，这些设计各有效果，但每加一个模块，就多一份监督契约、多一类失效模式、多一段延迟预算——模块本身成了 scaling 的阻力。MOSS-TTS 的答案是做减法，只留三样家常菜：

一个高质量音频 tokenizer + 一个自回归 Transformer + 大规模预训练。

tokenizer 把语音变成离散 token 之后，语音合成就成了「预测下一个 token」——和语言模型同一个目标函数，于是语言模型积累的全部经验（数据管线、训练课程、推理引擎、量化部署）都能直接搬过来。这份报告要论证的就是：这条朴素配方，走到底够不够。

一、先把账摆上桌：每秒 12.5 帧 × 32 层的矩阵

快速回顾一下币长什么样（细节见前篇）：MOSS-Audio-Tokenizer 把 24kHz 波形压到每秒 12.5 帧，每帧过 32 层 RVQ（残差向量量化）逐层逼近——第 1 层记大概轮廓，后面每层修上一层的残差，越深越细。每层码本 1024 条目，恰好 10 比特，于是全开 32 层就是 12.5 × 32 × 10 = 4kbps，只用前 1 层则是 0.125kbps，随用随取。

对生成模型来说，这意味着一段语音不是一串 token，而是一张表。举个例子，说一句两秒的「你好，我是 MOSS」：

时长 2 秒 → 25 帧（一帧 80ms）
每帧 32 层 RVQ → 25 × 32 = 800 个音频 token
「你好，我是 MOSS」约 2 秒 · 24kHzMOSS-Audio-Tokenizer12.5 帧/秒 · RVQ×32时间 → 共 25 帧（一帧 80ms）RVQ 1 · 轮廓RVQ 2RVQ 3RVQ 4RVQ 32 · 最细……………⋮t₁t₂₅粗↓细2 秒 ≈ 25 帧 × 32 层 = 800 个 token；每格 10 bit，全开 32 层 = 4kbps一支从左到右写的笔，按什么顺序写完这张表？全部展平：序列 ×32 写不完；一步齐出：细层看不见粗层——分岔点见下文两种弹法
tokenizer 把 2 秒语音变成一张 25 列 × 32 行的 token 矩阵：横轴是时间帧（每帧 80ms），纵轴是 RVQ 深度（第 1 层记轮廓、越深修得越细，每格 10 比特）。自回归模型习惯从左到右写一串 token，现在要它写完一整张表——怎么安排下笔顺序，是整份报告的架构主线

自回归模型只会从左到右写一维序列，现在要它产出二维的表。论文说得直白：核心架构问题不是「要不要自回归」，而是「多流 token 块怎么编排」。 直觉上有两个笨办法，各有各的死法：

  • 全部展平：按「第 1 帧 32 层、第 2 帧 32 层……」蛇形排开。依赖关系完整了，但序列长度乘 32——两秒的话 800 步，一小时的播客要 144 万步，训练推理都算不动；
  • 一步齐出：每步让 33 个输出头把整帧全部层一次性并行吐出。序列短了，但同一帧内细层看不见粗层——好比伴奏没听到主旋律就下手，层与层各弹各的。

MOSS-TTS 给出的是两条中间路线，也是这份报告最值得看的地方：他们用同一个 tokenizer、同一份数据、同一套预训练配方，把两种编排各训了一个模型，摆在一起对比。用论文自己的话说，是为了「把 token 编排方式本身的影响隔离出来」——开源界少见的严格 A/B。

两条路线共享一个底座设定：每个对齐步预测 33 个通道——1 个文本通道加 32 个音频通道。文本前缀阶段，文本通道吐正常的文字 token；进入音频阶段后，文本通道吐专用的 pad 符号。这样文字和语音装在同一条序列里，一个模型通吃。训练目标是逐头加权的交叉熵：

λ = ( 1 | 3 3 3 | 2 2 | 1 × 27 )
    文本  RVQ 1–3  RVQ 4–5  RVQ 6–32

前三层 RVQ 权重给到 3——粗层是骨架，骨架歪了细节无从谈起。

二、弹法一：Delay Pattern，像卡农一样错开进入

把那张 25 × 32 的表想成 32 个声部的乐谱，Delay Pattern（延迟模式，MOSS-TTS 本尊采用，源自 Meta 的 MusicGen）的弹法是轮唱：第 j 层声部比第 j−1 层晚一拍进入。

ã_{j,t} = a_{j, t−(j−1)}      # 第 j 层整体右移 j−1 帧

错位之后再从左到右一步步走：第 t 步同时写下「第 1 层的第 t 帧、第 2 层的第 t−1 帧、……、第 32 层的第 t−31 帧」。妙处在于，纵向的帧内依赖被错位变成了横向的历史依赖——当第 5 层要写第 τ 帧时，第 1–4 层的第 τ 帧早在之前几步就写完了，躺在注意力能看见的历史里。层间该有的条件关系一点没丢，序列长度却只从 T 变成 T + 31（两秒的例子：25 步变 56 步，而不是 800 步）。

工程形态也简单得可爱：主干就是一个普通的 decoder-only LLM（Qwen3 系；发布版 8B），输入端 32 张音频 embedding 表查表求和，输出端 33 个线性头并行投影，完事。论文明说，这份「解码路径简单」正是它被选为主力发布架构的原因——好实现、好 scale、好部署，后文会看到 llama.cpp 甚至把 delay 解码原生搬了进去。

代价藏在错位本身：第 1 帧要凑齐全部 32 层，得等到第 32 步——开口之前有 31 步的固定前摇，流式场景下这就是首音延迟的来源。

三、弹法二：Local Transformer，指挥打拍子、乐手扫和弦

Local Transformer（MOSS-TTS-Local-Transformer 采用，血统来自 Moshi 的 RQ-Transformer）不错位，分两级：

  • 主干：还是那个 decoder-only LLM，但一步就是一帧——把整帧 33 个通道的 embedding 求和吞进去，吐出一个「全局 latent」，像指挥在这一拍给出的手势；
  • 局部 Transformer（轻量的小模型）接过这个手势，在帧内沿深度方向自回归：先写文本通道，再以它为条件写 RVQ 第 1 层，再写第 2 层……33 步把这一帧的「和弦」竖着扫完。
z_{0,t} = x_t                      # 起手式：主干的全局 latent
z_{j,t} = Emb_{j−1}(y_{j−1,t+1})   # 之后每步以上一层刚写的 token 为条件

层间依赖在这里是显式的条件链，不必绕道历史。好处有三：主干序列长度就是帧数 T（两秒 25 步）；第 1 个主干步之后立刻能把第 1 帧 32 层全部解出，首音不用等错位；更重要的是建模效率——论文披露，内部开发中这个架构的逐层 token 损失一直更低，最终只用 1.7B 参数，音色相似度反超 8B 的 Delay 版。代价是每帧内嵌一个 33 步的小循环，稳态解码更重，结构也更复杂。

弹法一：Delay Pattern（8B）MOSS-TTS 本尊 · 源自 MusicGen层1层2层3层4…32padpadpadpadpadpad帧1帧2帧3帧4帧5帧6帧7帧1帧2帧3帧4帧5帧6帧1帧2帧3帧4帧5帧1帧2帧3帧4…………同一帧沿对角线散开解码步 →↑ 33 个并行预测头，一步写一列 ↑Decoder-only 主干（单序列，长 T+31）帧内依赖错位成横向历史，解码只剩头投影简单可 scale；但首帧要等 31 步铺满，首音偏慢弹法二：Local Transformer（1.7B）血统：Moshi 的 RQ-Transformer33 步RVQ 32RVQ 32RVQ 32⋮⋮⋮RVQ 2RVQ 2RVQ 2RVQ 1RVQ 1RVQ 1文本/pad文本/pad文本/pad…局部 Transformer全局 latentDecoder-only 主干（一步 = 一帧，长 T）主干每帧给一个手势，小模型竖着扫完这一拍的和弦首帧立刻可解；建模效率高——1.7B 音色反超 8B同一个 tokenizer · 同一份数据 · 同一套预训练配方——只差 token 的编排Delay 扛时长控制与一小时长文，Local 刷克隆音色纪录——一张 tradeoff 菜单，不是一场淘汰赛
同一张 token 矩阵的两种下笔顺序。左：Delay Pattern 把第 j 层右移 j−1 帧，单主干每步用 33 个并行头写一条斜线，帧内依赖化作横向历史，序列长 T+31，首帧要等 31 步铺满；右：Local Transformer 的主干一步一帧地给出全局 latent，局部小 Transformer 在帧内沿深度自回归 33 步，首帧立刻可解，1.7B 即可在音色上反超 8B。两者共用同一个 tokenizer、同一份数据、同一套配方——只差 token 编排

两种弹法没有全胜者，是一张 tradeoff 菜单：

Delay Pattern（MOSS-TTS）Local Transformer
骨架单主干 + 33 个并行头主干 + 帧内小自回归
主干序列长T + 31T（每步内嵌 33 步小循环）
首帧出声等 31 步错位铺满第 1 步即可解出
强项结构简单、可 scale、长文与控制建模效率、音色保持、首音更快
发布规格8B1.7B（v1.5 升到 4B）

报告自己的用法就体现了这份分工：克隆基准上的音色纪录由 Local Transformer 刷，时长控制、发音控制、一小时超长生成这些「控制与长跑」项目全部由 Delay 版扛。顺带一提，前篇里 tokenizer 报告自带的 CAT-TTS（Temporal + Depth Transformer）走的就是 Local 这一族；那篇的 Progressive Sequence Dropout 也被搬了过来，让生成侧同样支持码率可控。

四、数据流水线：把野生录音洗成教材

配方的第二味药是数据。要把预训练堆到数百万小时，只能去大自然里采：播客、影视剧、广播新闻、解说、网络内容。但野生录音天生不合格——多人混说、背景音乐、没有转写。论文用一条三阶段流水线把它们洗成「单人、干净、文音对齐」的教材，细节密度很高，值得慢读。

原始网络音频：播客 54.5% · 影视剧 · 广播新闻 · 解说 · 网络内容① 预处理 · 先切准神经降噪：只为切得准（降噪结果不进训练集）FLAC 统一 · 响度 −20dBFSDiariZen 说话人日志同人相邻段无条件合并片段 ≥0.1 秒 · 单条 ≤1 小时② 过滤 · 先转写后把关MOSS-Transcribe-Diarize 转写规则预筛：空 · 复读＞6 · 非语音LLM 诊断 + 修复（不许改词）音质闸：DNSMOS＞2.8 · PQ＞6.5（打分用降噪前的原声）语言一致闸 · 字符率区间闸③ 合成 · 补缺口克隆配对：同人异段选 prompt（5 × ≤30s 裁剪 · 相似度选优）脏文本增强（音频不动）拼音 / IPA 整句或局部替换单字、单词超短样本→ 克隆 · 抗噪 · 发音控制产出：数百万小时训练对 · 英 53% / 中 42% / 其他 30 余语种共 5%每条样本两版序列化（tokens=N / 不指定）——时长控制在预训练里白送
三阶段数据流水线。预处理：降噪只为了把说话人切准（不进训练集）、响度归一到 −20dBFS、DiariZen 说话人日志后同人相邻段无条件合并、单条上限 1 小时；过滤：自家 MOSS-Transcribe-Diarize 产出带说话人标签的转写，规则预筛与 LLM 诊断修复之后，还要过三道硬闸——音质分（在降噪前的原始音频上打）、音文语言一致、字符率区间；合成：为克隆造同说话人配对（每目标段取 5 个 ≤30 秒随机裁剪、按说话人相似度选 prompt）、脏文本增强、拼音/IPA 替换、单字词补充

预处理阶段：第一步就上神经降噪（MossFormer2-SE-48K），但有个反直觉的细节——降噪后的音频不进训练集，它只是为了让下游的说话人切分和转写更准，最终训练用的还是原始声音。响度做两步归一（先拉到 −20dBFS、增益钳在 ±3dB，再做峰值归一），然后用 DiariZen 做说话人日志。切出来的碎片段有讲究：0.1 秒以下的丢弃，相邻同说话人的段无条件合并——不管中间隔了多久的静音，因为那是说话时的自然停顿，正是要学的东西；单条上限一小时。

过滤阶段：先转写，后把关。转写用的是自家的多语言 ASR 模型 MOSS-Transcribe-Diarize（本站拆解过），输出自带说话人标签和 [music]、[laugh] 这类事件标记。然后三层筛：

  1. 规则预筛：空转写、同一短语连续复读超过 6 次（ASR 崩溃的可靠信号）、去掉方括号标签后语言内容不足 20%（说明整段基本是噪音或音乐）——直接丢，不浪费后面的推理预算；
  2. LLM 诊断与修复：大模型先诊断两类致命伤（整段内容重复、句子被截断），中招即丢；过关的做序列化清理——删事件标签、删空说话人标签、修复 [说话人]正文 格式，但不许改动识别出来的词。LLM 调用失败的段落直接丢弃，绝不回退到未清洗的转写；
  3. 三道硬闸：音质上要求 DNSMOS > 2.8 且 AudioBox PQ > 6.5——而且打分用的是降噪前的原始音频，否则测的是降噪器的水平而不是录音的水平；语言上让 Whisper 听音频判一个语种、LLM 读转写判一个语种，两边必须一致；长度上按语种设定「每秒字符数」的合法区间——音频远长于文本说明大段是静音，文本远长于音频则是 ASR 幻觉的可靠指纹。

合成阶段：补上三个野生数据给不了的缺口。最关键的是克隆配对：过滤后的语料只有「文本 + 语音」，没有「参考音频 → 目标语音」的结构，模型学不到照着 prompt 换音色。做法是在同一段录音里找同一说话人的其他片段，每段随机裁 5 个不超过 30 秒的窗口，用说话人向量模型（Seed-TTS-eval 同款的 WavLM-Large）逐个打分，挑最像的当 prompt。两个用意都很实在：按「推理时真实会用的短片段」去选 prompt，而不是拿整段音频作代表；随机窗口则逼模型对 prompt 的长短和位置都鲁棒。另外两个补丁是文本侧的：把「Hello??!! are you there」这类脏输入原样喂给模型（音频不动，练抗噪）；把整句或部分文字规则替换成带声调拼音或 IPA 音标（音频不动，练发音控制）；再补一批单字、单词的超短样本——网上没人对着麦克风念字典，但真实用户经常只合成一个词。

最后的语料构成：英语 53%、中文 42%、其他 30 来种语言合计 5%（最大的西语也只占 1.43%）；域上播客独占 54.5%。还有个安排值得划线：每条训练样本都序列化成两个版本——一版在 prompt 里写明目标音频的 token 数，一版写 None。这对格式贯穿全部预训练，于是「指定时长」从第一天起就是模型的原生能力，而不是后期缝上去的补丁。下一节的成绩单会验证这一点。

五、课程表：先学说话，再学控制，最后练长跑

有了币和教材，第三味药是怎么喂。MOSS-TTS 的预训练分四个阶段，学习率走 WSD（warmup–stable–decay）路线：

阶段上下文学习率数据
P1 基础对齐32k预热到 2×10⁻⁴ 后恒定只用主语料（干净的文本→语音）
P2 能力扩张32k恒定 2×10⁻⁴全部子集，克隆配对大幅上采样
P3 质量收敛32k线性衰减到 2×10⁻⁶恢复自然配比
P4 长跑扩展64k恒定 2×10⁻⁶长音频大幅上采样

课程设计有三条原则，每条都值得抄。其一，从最干净、歧义最少的监督起步：P1 只学「文本怎么变成声音」这件主线任务，先把单调对齐和多语言发音映射焊牢，别一上来就让模型分心。其二，难的能力要趁学习率还高时灌进去：克隆是比普通 TTS 更脆的任务，如果拖到后期低学习率时才引入，只能学成边角补丁；在 2×10⁻⁴ 的平台期上采样克隆数据，它才能长成「原生行为」。其三，长上下文最后扩：P4 把窗口从 32k 拉到 64k——按一步一帧折算约 85 分钟音频——此时学习率已经降到 2×10⁻⁶，模型在几乎不动摇短句质量的前提下适应小时级连贯性。这套「先收敛、再扩窗」的节奏，和 LLM 界的长上下文扩展如出一辙。

六、成绩单：音色、时长、发音、一小时

克隆：Continuation 这个冷知识

评测先教了一个概念。零样本克隆有两种喂参考音频的姿势：

  • Clone：老老实实把参考音频作为显式的 reference 输入；
  • Continuation：把参考音频连同它的转写一起拼在待合成文本前面，让模型「接着往下说」。

Seed-TTS-eval 上的成绩（摘录自原文 Table 3；WER/CER 为错词/错字率、越低越好，SIM 为说话人相似度、越高越好）：

系统参数量开源英 WER ↓英 SIM ↑中 CER ↓中 SIM ↑
Seed-TTS–❌2.2576.21.1279.6
MiniMax-Speech–❌1.6569.20.8378.3
CosyVoice30.5B✅2.0271.81.1678.0
VoxCPM0.5B✅1.8572.90.9377.2
Qwen3-TTS1.7B✅1.5071.451.3376.72
MOSS-TTS（Delay 8B）Clone8B✅1.9269.311.4676.21
MOSS-TTS（Delay 8B）Continuation8B✅1.8470.861.3776.98
Local Transformer Clone1.7B✅1.8771.741.3377.24
Local Transformer Continuation1.7B✅1.9373.281.4479.62

读表法沿用论文的提醒：错词率一旦压到 2 附近就进入「ASR 噪声区」——作者人工复核发现，这个区间里剩下的错误大多是评测用 ASR 自己听岔了，不是模型真念错了。真正拉开差距的是音色相似度，而这里有两条干净的规律：Continuation 恒稳压 Clone——原生的「语音续写」比专门的克隆格式更能锚定音色，这是离散自回归范式白送的玩法；Local Transformer 恒稳压 Delay——1.7B 的中英 SIM 双双做到开源最高（79.62 / 73.28），中文一项甚至以 79.62 对 79.60 微超闭源的 Seed-TTS，英文距其 76.2 还有约 3 个点。这正是第三节那张 tradeoff 菜单的实测注脚。

多语言方面，直接拿预训练模型上 CV3-Eval 克隆子集裸测（没有为基准做任何专项训练）：德、西、意、俄已经与强基线相当，日、韩、法还有明显差距——低资源语种覆盖也被论文列进下一步最重要的方向。

时长控制：0.7% 的相对误差

机制在第四节埋过了：prompt 里写 tokens=N，模型就把音频长度控制在 N 帧。换算极其好记——1 秒 = 12.5 帧，README 的真实示例就是给同一段英文分别指定 tokens=325 和 tokens=600，得到约 26 秒和 48 秒两个版本。实测相对误差（Delay 8B）：

目标时长档平均相对误差
3–10 秒≈ 1.5%
10 秒–1 分钟≈ 0.36%
1–10 分钟≈ 0.36%
10–30 分钟≈ 0.67%
整体≈ 0.7%（中位数 0.28%）

拿中间档折算：要一段 60 秒的配音，写 tokens=750，平均落点误差只有 0.2 秒上下——广告配音、视频对轨这类「卡秒」需求直接可用。且再强调一次：这全部来自纯预训练，没有任何专门的时长微调阶段——是第四节「两版序列化」的数据设计换来的。

发音控制：把声调攥在自己手里

拼音与 IPA 输入同样是数据合成阶段练出来的。README 里的真实示例排在一起很有意思：

text_3 = "nin2 hao3，qing3 wen4 nin2 lai2 zi4 na3 zuo4 cheng2 shi4？"   # 全句拼音，声调正确
text_4 = "nin2 hao3，qing4 wen3 nin2 lai2 zi4 na4 zuo3 cheng4 shi3？"   # 对照组：声调故意换掉
text_5 = "您好，请问您来自哪 zuo4 cheng2 shi4？"                          # 汉字与拼音混排
text_6 = "/həloʊ, meɪ aɪ æsk wɪtʃ sɪti juː ɑːr frʌm?/"                  # 英文走 IPA 音标

text_4 那组「错误声调」不是手滑——模型会老老实实照错的念，恰恰证明发音的控制权真的交到了拼音手里。多音字、人名、术语这类 ASR 和前端的老大难，从此可以在输入侧一锤定音。内部评测里，被替换片段的中文错字率低到 1.00%（局部替换）和 1.65%（整句拼音），英文 IPA 是 4.32% 和 5.84%——论文的措辞是「已经实用」。

一小时长文：瓶颈不是念错字，是「渐渐不像你」

最后是压轴项目：从短句一路生成到约一小时，会发生什么？内部评测集按文本长度分六档（中文最长档 10000+、英文 50000+），中英 × Clone/Continuation 各测一遍。结论分两半：

内容侧基本扛住了。中文 Continuation 模式下，即使最长档的错字率也只有 1.86%；英文难得多，最长档两种模式都明显劣化（WER 17.49 / 29.52）。

音色侧才是真瓶颈。把逐 3 秒窗口的说话人相似度沿时间画出来，所有曲线都在缓慢下坠——模型不是突然念错，而是渐渐忘了自己在模仿谁。中文 Clone 模式的最长档在尾段明显塌陷，换成 Continuation 曲线立刻收紧拉平——最长档也能贴住其他档超过 30 分钟；英文整体坠得更早更快。论文的总结很清醒：超长生成已经「可运行」，但主导失效模式是沿时间累积的音色漂移，而非词句错误——这也是他们列出的下一步主攻方向。

（tokenizer 本身的重建成绩这里就不重复了，一句话：0–4kbps 全区间压着开源同行走，细节见前篇第四节。）

七、全家福：一套币，六个工位

报告只写了主线模型，但仓库里是一整个家族——同一套 token 上分化出的不同工种：

模型架构规格干什么的
MOSS-TTS（v1.5）Delay8B旗舰单人 TTS：克隆、长文、时长/发音控制
MOSS-TTS-Local-Transformer（v1.5）Local1.7B（4B）轻量流式，音色最强；v1.5 换 tokenizer v2，原生 48kHz 立体声
MOSS-TTSD v1.0Delay8B多说话人对话/播客；主观评测胜过豆包、Gemini 2.5 Pro 的 TTS
MOSS-VoiceGeneratorDelay1.7B无参考音频，纯文字描述凭空设计音色
MOSS-SoundEffect（v2.0）Delay（v2 为 DiT + Flow Matching）8B（1.3B）音效生成，48kHz、最长 30 秒
MOSS-TTS-RealtimeRealtime1.7B语音 agent 专用：多轮上下文增量合成，首字节 180ms
MOSS-TTS-Nano自回归0.1B4 个 CPU 核实时流式，48kHz 立体声克隆

全部 Apache 2.0。v1.5 一代还带来几件顺手的小工具：31 个语种（可显式传语言标签）、长参考短文本克隆、跟随标点的韵律，以及行内停顿标记——我今天学习了一首中国的古诗，它的名字是[pause 3.2s]静夜思！，停 3.2 秒，报幕感直接写进文本。

部署生态则是「结构简单」路线的红利兑现，三条路各有分工：llama.cpp 走 torch-free 路径（Q4_K_M 量化的 GGUF 主干 + ONNX 版 tokenizer，8GB 显存就能跑 8B，官方还维护了把多通道 embedding、多头输出和 delay 解码直接写进 llama.cpp 的 first-class 分支）；SGLang-Omni 提供 OpenAI 兼容的 /v1/audio/speech 端点，是目前唯一支持 Local 架构的后端；vLLM-Omni 覆盖 Delay、Realtime、Nano 三种架构。日常调用长这样（节选改写自官方 README）：

from transformers import AutoModel, AutoProcessor

repo = "OpenMOSS-Team/MOSS-TTS-v1.5"
processor = AutoProcessor.from_pretrained(repo, trust_remote_code=True)
model = AutoModel.from_pretrained(repo, trust_remote_code=True).to("cuda")

conversations = [
    [processor.build_user_message(text="今天天气不错。")],                       # 直接合成
    [processor.build_user_message(text=text, reference=[ref_wav])],             # 零样本克隆
    [processor.build_user_message(text=text, tokens=325)],                      # 时长控制：325 帧 = 26 秒
    [processor.build_user_message(text="nin2 hao3，qing3 wen4 …")],             # 拼音控制
    [processor.build_user_message(text=text_fr, language="French")],            # 语言标签（v1.5）
]
batch = processor(conversations, mode="generation")
outputs = model.generate(**batch, max_new_tokens=4096)
audio = processor.decode(outputs)   # 音频 token → 波形，由 MOSS-Audio-Tokenizer 还原

克隆、时长、发音、语言，全都是往同一个 build_user_message 里加字段——控制信号在 token 域里表达，这正是离散路线「控制显式且可组合」的直观体现。

结语：三个收束

  1. 这是 tokenizer 报告的下半场，合起来才是完整论证。 前篇证明币能铸好，这篇证明币真能花：token 质量够高时，语音合成退化成语言建模，LLM 的全部基础设施——数据管线、WSD 课程、长上下文扩展、量化推理——原地通用。两份报告合讲一个论点：语音生成的进步来自数据质量、规模与架构简洁，而不是更精巧的级联。
  2. A/B 的价值大于任何单项冠军。 同 tokenizer 同数据只换 token 编排，Delay 换来简单与长跑，Local 换来效率与音色（1.7B 反超 8B）——这不是一场分胜负的比赛，是给全行业标定的一张 tradeoff 菜单。全家桶两条架构并行发布、评测各扛一摊，就是这张菜单的产品化。
  3. 控制能力是数据设计「白送」的，短板也标得诚实。 时长控制来自两版序列化、发音控制来自拼音/IPA 替换、抗脏输入来自文本加噪——全在预训练里长成原生行为，没有一个是后期补丁。而超长生成的音色漂移、小语种的差距，论文没有藏，直接写成了下一步的路标。配方朴素，账本透明，这大概是「基础模型式」技术报告该有的样子。

参考