OpenMOSS/MOSS-TTSD

解决的问题

MOSS-TTSD 解决了传统文本转语音（TTS）系统仅针对单说话人独白优化的局限性。它将静态的对话脚本转化为连贯、连续的多说话人对话，确保在长时音频生成过程中保持说话人身份和情感细微差别。

工作原理

该模型采用延续式工作流，用户需为每位说话人（最多5人）提供参考音频和转录文本。随后，基于提供的脚本生成口语对话，确保自然的发言顺序和一致的角色设定。对于高性能部署，可与 MOSS-Audio-Tokenizer 融合，并通过 SGLang 推理引擎运行，以显著加速生成速度。

适用人群

专为构建长时音频体验的内容创作者和开发者设计，例如 AI 生成的播客、有声书、体育与电竞解说、配音以及娱乐媒体。

核心亮点

• 多说话人对话：支持 1 到 5 位说话人，灵活控制重叠发言和自然的对话节奏。
• 超长上下文：单次会话可生成长达 60 分钟的连贯音频，同时保持说话人身份一致。
• 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 集成后，可实现最高 16 倍的推理加速。