MOSS-TTSD（text to spoken dialogue）是一个开源的中英双语口语对话合成模型，可以将包含两位说话人的对话脚本转换为自然、富有表现力的对话语音。MOSS-TTSD支持双说话人零样本音色克隆与长时间单段语音生成，非常适合播客，访谈，聊天等对话场景。附MOSS-TTSD的github地址。
一、为什么需要这份教程？
官方文档的部署教程很简单：
conda create -n moss_ttsd python=3.10 -y && conda activate moss_ttsd
pip install -r requirements.txt
pip install flash-attn
然后没了，但我相信你要安装这三行命令去跑这个模型，99%的人都跑不通的。因为这里面有几个非常难装的依赖，我就是卡在这上面了大半个下午，最终才解决全部问题，顺利的跑通了这个项目。
本教程比较傻瓜式，即便你没有任何基础，跟着教程走也能顺利的跑通。
二、环境准备
1. 操作系统
- Linux 用户：Ubuntu 20.04 / 22.04（推荐）
- Windows 用户：启用 WSL2（Windows Subsystem for Linux）
强烈建议使用win的子系统来跑这个项目，虽然官方支持Win系统直装，但有几个依赖不支持win，不过社区有非官方解决方案。我是先用win直接跑的，遇到了几个费大劲才解决的问题，后转WSL跑通的。后面我也会贴出win系统上直接跑所遇到的问题，仅供大家排除问题。
举个例子：
官方教程的第一句指令：
conda create -n moss_ttsd python=3.10 -y && conda activate moss_ttsd
如果你用Win系统的powershell来运行，此时就会遇到第一个问题：
运行conda create -n moss_ttsd python=3.10 -y && conda activate moss_ttsd 报错 所在位置 行:1 字符: 42
+ conda create -n moss_ttsd python=3.10 -y && conda activate moss_ttsd
+ ~~
标记“&&”不是此版本中的有效语句分隔符。
+ CategoryInfo : ParserError: (:) [], ParentContainsErrorRecordException
+ FullyQualifiedErrorId : InvalidEndOfLine
在 PowerShell 中，&& 并不是默认支持的命令连接符（直到 PowerShell 7 才开始原生支持 && 和 ||）。如果你使用的是 Windows PowerShell 5.1（这是 Windows 默认附带的版本），那么它不识别 &&，因此会报错：
“标记‘&&’不是此版本中的 valid 语句分隔符”
解决方法也很简单，要么分开执行两个命令，要么换CMD来跑。
2. 环境配置
安装 WSL2（Ubuntu 22.04）：
wsl --install -d Ubuntu-22.04
系统会自动：
- 启用 WSL 功能
- 安装 Ubuntu 22.04
- 设置默认用户（按提示输入用户名和密码）
安装完成后最好是重启下系统，确保WSL和NVIDIA驱动协同工作。
重启后用管理员启动PowerShell，直接输入：
wsl
会自动进入Ubuntu系统下的cmd，然后执行以下命令：
# 更新包列表
sudo apt update && sudo apt upgrade -y
# 安装基础编译工具（必须！）
sudo apt install -y build-essential wget git vim libgl1 libglib2.0-0
安装Miniconda
win系统下载Miniconda就行，不用安装完整版的Anaconda，安装时务必勾选Add Anaconda to my PATH environment variable，省的再手动配置环境变量了。
Ubuntu子系统不用那么麻烦，直接调用以下命令就行：
# 下载 Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 静默安装（不交互）
bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3
# 初始化 conda（让 bash 能识别 conda 命令）
$HOME/miniconda3/bin/conda init bash
# 重新加载 shell 配置
source ～/.bashrc
最后验证：
conda --version
# 应输出：conda 24.x.x
再次运行命令：
conda create -n moss_ttsd python=3.10 -y && conda activate moss_ttsd
还是会报错：
conda create -n moss_ttsd python=3.10 -y
CondaToSNonInteractiveError: Terms of Service have not been accepted for the following channels. Please accept or remove them before proceeding:
- https://repo.anaconda.com/pkgs/main
- https://repo.anaconda.com/pkgs/r
- https://repo.anaconda.com/pkgs/msys2
To accept these channels' Terms of Service, run the following commands:
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/msys2
For information on safely removing channels from your conda configuration,
please see the official documentation:
https://www.anaconda.com/docs/tools/working-with-conda/channels
这是因为Conda 的新政策要求用户显式接受 Anaconda 官方频道（channels）的服务条款（Terms of Service），这是从 2024 年底开始强制执行的安全合规措施。
解决方法就是一键全部接受：
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main --channel https://repo.anaconda.com/pkgs/r --channel https://repo.anaconda.com/pkgs/msys2
接下来重新执行
conda create -n moss_ttsd python=3.10 -y && conda activate moss_ttsd
会顺利创建moss_ttsd的虚拟环境。
最后激活虚拟环境：
conda activate moss_ttsd
# 升级 pip
pip install --upgrade pip
3.安装依赖requirements.txt
这个阶段出问题的可能性最大，官方教程需要安装requirements.txt中的全部依赖，先按照教程走：
git clone https://github.com/OpenMOSS/MOSS-TTSD.git
# 进入项目目录
cd MOSS-TTSD
# 安装其他依赖
pip install -r requirements.txt
如果你是用win系统直接跑，那么在这里会遇到一个问题：
ERROR: Cannot install -r requirements.txt (line 17) because these package versions have conflicting dependencies.
The conflict is caused by:
liger-kernel 0.6.4 depends on triton>=2.3.1
liger-kernel 0.6.3 depends on triton>=2.3.1
liger-kernel 0.6.2 depends on triton>=2.3.1
liger-kernel 0.6.1 depends on triton>=2.3.1
liger-kernel 0.6.0 depends on triton>=2.3.1
liger-kernel 0.5.10 depends on triton>=2.3.1
liger-kernel 0.5.9 depends on triton>=2.3.1
liger-kernel 0.5.8 depends on triton>=2.3.1
liger-kernel 0.5.7 depends on triton>=2.3.1
liger-kernel 0.5.6 depends on triton>=2.3.1
liger-kernel 0.5.5 depends on triton>=2.3.1
liger-kernel 0.5.4 depends on triton>=2.3.1
liger-kernel 0.5.3 depends on triton>=2.3.1
liger-kernel 0.5.2 depends on triton>=2.3.1
liger-kernel 0.5.1 depends on triton>=2.3.1
liger-kernel 0.5.0 depends on triton>=2.3.1
liger-kernel 0.4.2 depends on triton>=2.3.1
liger-kernel 0.4.1 depends on triton>=2.3.1
liger-kernel 0.4.0 depends on triton>=2.3.1
liger-kernel 0.3.1 depends on triton>=2.3.0
liger-kernel 0.3.0 depends on triton>=2.3.0
liger-kernel 0.2.1 depends on triton>=2.3.0
liger-kernel 0.2.0 depends on triton>=2.3.0
liger-kernel 0.1.1 depends on triton>=2.3.0
liger-kernel 0.1.0 depends on triton>=2.3.0
liger-kernel 0.0.1 depends on triton>=2.3.0
liger-kernel 0.0.0 depends on triton>=2.3.0
Additionally, some packages in these conflicts have no matching distributions available for your environment:
triton
To fix this you could try to:
1. loosen the range of package versions you've specified
2. remove package versions to allow pip to attempt to solve the dependency conflict
依赖中有一个 liger-kernel，但这个库依赖triton，但这个库官方不支持Win系统，所以想直接安装这个库没戏，好在有社区版本：
# 先按照triton-windows
pip install triton-windows
# 再跑一遍官方教程
pip install -r requirements.txt
4.安装依赖flash-attn
按照官方教程执行最后一项：
pip install flash-attn
这个指令会报很多错误，都是相关依赖没有安装的原因。
首先第一个问题大概率是这个：
ModuleNotFoundError: No module named 'torch'
因为是新建的wsl子系统，没有torch相关依赖很正常。
flash-attn 是一个 基于 CUDA 的高性能注意力机制库，它：
- 必须在 PyTorch 已安装 的环境中才能编译
- 构建过程会调用 import torch 来检测 CUDA 版本、架构等
- 如果 torch 不存在，就会报你现在看到的错误
安装torch并不难，版本很多，只要能对应上N卡的CUDA版本就行，但torch的版本关系着后续flash-attn的安装。
首先检测下CUDA支持的版本：
nvidia-smi
这个指令会输出一堆信息，主要看CUDA支持版本号就行，CUDA支持的版本号与N卡驱动版本有关，比如：
nvidia-smi
Thu Jan 8 16:55:57 2026
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 581.29 Driver Version: 581.29 CUDA Version: 13.0 |
+-----------------------------------------+------------------------+----------------------+
| GPU Name Driver-Model | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|=========================================+========================+======================|
| 0 NVIDIA GeForce RTX 3080 WDDM | 00000000:01:00.0 On | N/A |
| 0% 56C P5 36W / 345W | 1516MiB / 10240MiB | 2% Default |
| | | N/A |
+-----------------------------------------+------------------------+----------------------+
+-----------------------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=========================================================================================|
| 0 N/A N/A 6096 C+G ...Chrome\Application\chrome.exe N/A |
| 0 N/A N/A 8328 C+G ...em32\ApplicationFrameHost.exe N/A |
| 0 N/A N/A 8584 C+G ...lpaper_engine\wallpaper64.exe N/A |
| 0 N/A N/A 10812 C+G C:\Windows\explorer.exe N/A |
| 0 N/A N/A 11596 C+G ..._cw5n1h2txyewy\SearchHost.exe N/A |
| 0 N/A N/A 11604 C+G ...y\StartMenuExperienceHost.exe N/A |
| 0 N/A N/A 13244 C+G ...ge-WebView\msedgewebview2.exe N/A |
| 0 N/A N/A 17608 C+G ...5n1h2txyewy\TextInputHost.exe N/A |
| 0 N/A N/A 19324 C+G ...__kzh8wxbdkxb8p\DCv2\DCv2.exe N/A |
| 0 N/A N/A 19524 C+G ...yb3d8bbwe\WindowsTerminal.exe N/A |
| 0 N/A N/A 20268 C+G ...yb3d8bbwe\Notepad\Notepad.exe N/A |
| 0 N/A N/A 20788 C+G ...Chrome\Application\chrome.exe N/A |
| 0 N/A N/A 21716 C+G ...acted\runtime\WeChatAppEx.exe N/A |
| 0 N/A N/A 21824 C+G D:\App\Feishu\app\Feishu.exe N/A |
| 0 N/A N/A 22328 C+G ...ntrolPanel\SystemSettings.exe N/A |
| 0 N/A N/A 24636 C+G ...indows\System32\ShellHost.exe N/A |
| 0 N/A N/A 24956 C+G ...11.28973.206\QQPCExternal.exe N/A |
| 0 N/A N/A 25560 C+G ...acted\runtime\WeChatAppEx.exe N/A |
| 0 N/A N/A 30344 C+G ...11.28973.206\QQPCExternal.exe N/A |
| 0 N/A N/A 33100 C+G ...yb3d8bbwe\Microsoft.Notes.exe N/A |
| 0 N/A N/A 33632 C+G ...xyewy\ShellExperienceHost.exe N/A |
+-----------------------------------------------------------------------------------------+
可以看到我的显卡驱动版本最高支持CUDA是13.0，我之前安装的CUDA版本是12.1，也就是这个版本让我浪费了很多时间。
我问通义安装哪个版本最合适，通义建议安装12.1版本，理由是性能好，兼容性强，社区支持最广，但通义也喜欢胡说八道，cu121版本对应的flash-attn已经很旧了，基本找不到合适的预编译版本。
如果你依然不信邪，偏要安装12.1版本的CUDA，那么下一步安装torch的版本应该就在2.4-2.5.1版本之间，直接调用：
# 安装 PyTorch + torchvision + torchaudio（CUDA 12.1 版本）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
安装完验证：
python -c "import torch; print(torch.__version__); print('CUDA available:', torch.cuda.is_available())"
输出应该是：
2.5.1+cu121
CUDA available: True
接下来安装flash-attn：
pip install flash-attn --no-build-isolation -i https://pypi.tuna.tsinghua.edu.cn/simple
如果你是win系统直接跑，那到这一步就不用再费劲了，肯定过不了编译的。直接调用pip来安装flash-attn是下载的2.8.3版本，但2.8.3版本没有针对2.5.1+cu121版本支持的预编译wheel，到这就不要在问AI了，AI会胡编乱造，给你一堆没用的信息，或者一堆错误的wheel地址下载不下来。
重点来了，重点来了，重点来了
直接去flash-attn的github地址去找已经预编译好的wheel版本，然后你就会发现，没有2.5.1+cu121对应的wheel，从最新的2.8.3一直往下找，找到最后也没有这个组合能支持的版本，所以最后的版本就是升级你的CUDA版本，然后再升级torch版本，与github上现有的版本针对性的升级。
比如我找的wheel是：lash_attn-2.8.3+cu128torch2.9.0cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
那么就要把CU升级到12.8，torch升级到2.9.0。
执行命令：
#先卸载已有的版本
pip uninstall -y torch torchvision torchaudio
#安装128对应的相关版本
pip install torch==2.9.1 torchvision==0.24.1 torchaudio==2.9.0 --index-url https://download.pytorch.org/whl/cu128
经过一段时间下载安装后，最后验证：
python -c "import torch; print(torch.__version__)"
# 应该输出为：2.9.1+cu128
细心的朋友会发现为什么安装的torch是2.9.1而不是2.9.0，不信邪的朋友自己改下版本试试就行了，铁报错的，因为针对cu128，torch对应的版本是2.9.1，你去安装2.9.0肯定出错。好在torch是像下兼容的，不碍事。
接下来也到最后一步，下载预编译的flash-attn，强烈建议别用命令行下载，用迅雷或者什么下载工具都行，下载完直接复制到MOSS-TTSD根目录，然后执行安装：
pip install flash_attn-2.8.3+cu128torch2.9.0cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
至此，官方的3个命令全部执行完毕，MOSS-TTSD的本地化部署已经走完了80%，剩下的20%就是来运行这个后台服务，实现本地推理能力。
5.本地推理
根据官方文档，还需要下载一个XY-Tokenizer 权重：
mkdir -p XY_Tokenizer/weights
huggingface-cli download fnlp/MOSS_TTSD_tokenizer MOSS_TTSD_tokenizer --local-dir ./XY_Tokenizer/weights/
强烈建议直接去huggingface用工具下载，否则太慢了，这个网站得科学上网，或者用国内代理：https://hf-mirror.com
这一步你无论用不用国内代理，我都建议你先把代理配置上，因为后面运行py程序会从huggingface中下载一堆配置和关键模型。
# 设置镜像
export HF_ENDPOINT=https://hf-mirror.com
下载完后放到XY_Tokenizer/weights目录。
下一步可以执行web页面先看看效果了：
(moss_ttsd) zdu1204@duning-desktop:~/MOSS-TTSD$ python gradio_demo.py
Loaded 2 role examples and 1 single examples from ['examples/examples.jsonl', 'examples/examples_single_reference.jsonl']
/home/zdu1204/MOSS-TTSD/gradio_demo.py:336: UserWarning: The parameters have been moved from the Blocks constructor to the launch() method in Gradio 6.0: theme. Please pass these parameters to launch() instead.
with gr.Blocks(
* Running on local URL: http://127.0.0.1:7860
* To create a public link, set `share=True` in `launch()`.
浏览器直接打开http://127.0.0.1:7860，然后你就会看到
借用下面的例子可以尝试生成音频，首次使用点击生成音频会直接从huggingface上拉代码，包括下载模型，此时上面配置的镜像就起作用了，模型大概4G左右，慢慢下载吧。
经过漫长的等待，模型下载完了，py会继续执行，不过后面会报错：
Error loading audio data: TorchCodec is required for load_with_torchcodec.
Please install torchcodec to use this function.
需要安装音频后端：torchcodec，这个地方需要注意，只需要安装CPU-only版本的torchcodec即可，因为MOSS-TTSD不需要视频解码，不要安装GPU版本torchcodec，不然又要有一堆问题需要解决。
# 安装 CPU-only 版本（无 NPP / CUDA 依赖）
pip install torchcodec --index-url https://download.pytorch.org/whl/cpu
# 确保 FFmpeg 已安装（torchcodec 需要它来解码音频）
conda install -c conda-forge "ffmpeg<8"
不过这里有一个疑问，因为我用的CPU版本的torchcodec，没有用GPU版本的torchcodec，后面进行音频合成会不会有什么影响呢？比如用不了N卡加速导致合成速度慢呢？
总结
合成的音频效果还是挺不错的，不过只支持对话音频生成，像一个纯Txt文本单人音频生成是不行的，不过效果也已经很棒了。
