用途：该技能用于指导使用 MOSS-TTS-Nano 进行多语言实时语音合成与声音克隆，适合本地部署、批量配音、长文本朗读和实时播放等场景。
主要能力：模型约 0.1B 参数，采用音频分词器加 LLM 的纯自回归管线；音频分词器约 20M 参数，输出 48 kHz 双声道立体声，token 速率 12.5 Hz，RVQ 16 个码本。支持中文、英语、德语、西班牙语、法语、日语、意大利语、匈牙利语、韩语、俄语、波斯语、阿拉伯语、波兰语、葡萄牙语、捷克语、丹麦语、瑞典语、希腊语、土耳其语等 20 种语言，语言由输入文本与参考音频自动推断，基础用法无需显式语言参数。支持声音克隆、流式推理与长文本自动分块合成。
使用方式：推荐用 Conda 创建 Python 3.12 环境，克隆仓库后执行 pip install -r requirements.txt 与 pip install -e .，安装后可用 moss-tts-nano 命令。首次运行自动从 Hugging Face 下载模型权重，也可使用 ModelScope 镜像。命令行示例：moss-tts-nano generate --prompt-speech assets/audio/zh_1.wav --text "..."；长文本可用 --text-file；本地网页演示用 moss-tts-nano serve，默认地址 http://127.0.0.1:18083。Python 侧可导入 MossTTSNanoInference，调用 infer 或 infer_stream，输出默认写入 generated_audio/ 目录。服务运行时提供 /generate 与 /generate_stream HTTP 接口。
限制：需约 1–2 GB 内存，CPU 内存不足时建议使用流式推理；参考音频建议 3–5 秒、干净无强噪声，任意采样率会被重采样；WeTextProcessing 安装失败时需用 conda 安装 pynini 后从源码安装；模型下载慢可设置 HF_ENDPOINT 镜像；网页演示默认端口 18083 可能冲突。其余收费、价格与平台支持信息暂未提供。