OpenMOSS/MOSS-TTSD

해결하는 문제

MOSS-TTSD는 기존 텍스트-to-음성(TTS) 시스템이 단일 화자 독백에 집중하는 한계를 해결합니다. 정적 대본을 장시간에 걸쳐 화자 정체성과 감정 흐름을 유지하는 자연스러운 다자 대화로 변환하며, 팟캐스트나 오디오북과 같은 전문 콘텐츠 제작에 필수적입니다.

작동 방식

이 모델은 사용자가 각 화자(최대 5명)의 참조 음성과 대본을 제공하는 연속 작업 흐름을 사용합니다. 이후 대본 기반으로 음성을 생성하여 자연스러운 대화 순서와 겹치는 말하기 패턴을 보장합니다. 고성능 배포를 위해서는 MOSS-Audio-Tokenizer와 통합하여 SGLang 추론 엔진을 통해 실행할 수 있어 생성 속도를 크게 향상시킬 수 있습니다.

대상 사용자

AI 팟캐스트, 스포츠 및 e스포츠 해설, 자막 번역, 오디오북 제작 등 장시간 구두 콘텐츠를 제작하는 크리에이터 및 개발자에게 적합합니다.

주요 특징

• 다자 대화: 1~5명의 화자를 지원하며, 대화 리듬과 캐릭터 유지에 유연한 제어 가능.
• 극장문맥 처리: 한 세션에서 최대 60분의 일관성 있는 음성을 생성하면서도 일관된 화자 정체성 유지 가능.
• 제로샷 음성 클론: 짧은 참조 음성 샘플만으로도 고해상도 음성 클론 가능.
• 다국어 지원: 중국어, 영어, 일본어 및 다양한 유럽 언어를 포함한 20개 언어에서 견고한 성능 제공.
• 고속 추론: SGLang 통합을 통해 엔드투엔드 추론 속도가 크게 향상됩니다.