OpenMOSS/MOSS-TTSD

解決する課題

MOSS-TTSDは、従来のテキストから音声への変換（TTS）システムが単一の話者による独白に特化しているという限界に対処します。静的な対話スクリプトを、長時間にわたり話者のアイデンティティと感情の流れを維持した自然な多話者連続会話に変換でき、ポッドキャストやオーディオブックなどのプロフェッショナルなコンテンツに不可欠です。

動作方法

このモデルは継続的ワークフローを使用しており、ユーザーは各話者（最大5人）の参照音声とトランスクリプトを提供します。その後、対話スクリプトに基づいて音声を生成し、自然な発話の順番と重なり合いのパターンを保証します。高性能なデプロイには、MOSS-Audio-Tokenizerと統合し、SGLang推論エンジンを介して実行することで生成速度を大幅に向上できます。

対象ユーザー

長時間の口語コンテンツを制作するクリエイターおよび開発者向けです。AIポッドキャスト、スポーツ・エスポート解説、吹き替え、オーディオブック制作などに適しています。

主な特徴

• 多話者対話: 1～5人の話者をサポートし、会話のリズムとキャラクターの維持を柔軟に制御可能。
• 極長文脈対応: 1回のセッションで最大60分の整合性のある音声を生成可能で、一貫した声のアイデンティティを維持。
• ゼロショット音声クローン: 短い参照音声サンプルのみで高精細な音声クローンが可能。
• 多言語対応: 中国語、英語、日本語、およびさまざまなヨーロッパ言語を含む20言語で堅牢なパフォーマンスを発揮。
• 高速推論: SGLangとの統合により、エンドツーエンドの推論が大幅に高速化されます。