OpenMOSS/MOSS-TTSD

解决的问题

MOSS-TTSD 解决了传统文本转语音（TTS）系统仅专注于单说话人独白的局限性。它将静态对话脚本转化为长时间持续、富有表现力的多说话人对话，同时保持说话人身份和情感流动，这对于播客、有声书等专业内容至关重要。

工作原理

该模型采用延续性工作流，用户需提供每位说话人（最多5人）的参考音频和转录文本。随后，基于对话脚本生成音频，确保自然的发言顺序和重叠说话模式。对于高性能部署，可与 MOSS-Audio-Tokenizer 融合，并通过 SGLang 推理引擎运行，显著加速生成过程。

适用人群

专为制作长篇口语内容的创作者和开发者设计，例如 AI 播客、体育与电竞解说、配音、有声书制作等。

主要亮点

• 多说话人对话：支持 1 至 5 名说话人，灵活控制对话节奏并维持角色特征。
• 超长上下文：单次会话中可生成长达 60 分钟的连贯音频，同时保持一致的身份特征。
• 零样本语音克隆：仅需短时参考音频样本即可实现高保真语音克隆。
• 多语言支持：在包括中文、英文、日文及多种欧洲语言在内的 20 种语言中表现稳健。
• 高速推理：与 SGLang 集成，显著加速端到端推理速度。