MOSS-TTSD 是一种用于表达性多语音合成的对话生成模型,具有长上下文建模、灵活的语音控制和高效的语音合成。
MOSS-TTSD 是我们开源 [MOSS-TTS 系列](https://github.com/OpenMOSS/MOSS-TTS) 中的长对话专家。虽然基础模型通常优先考虑高保真的单发言者合成，但 MOSS-TTSD 则被设计成弥合孤立音频样本与连贯、持续的人际互动之间的差距。该模型代表了从“文本到语音”到“脚本到对话”的范式转变。通过优先考虑多方参与的流程和情感细微差别，MOSS-TTSD 将静态对话脚本转换为动态、富有表现力的口头表演。它旨在为需要在不同发言者角色之间实现无缝过渡的创作者和开发者提供一个强大的骨架，而不损失叙事连续性。无论是捕捉现场脱口秀的自发能量，还是多语言剧本的结构复杂性，MOSS-TTSD 在开源框架中都提供了专业级长对话内容创作所需的稳定性和表现力深度。 ## 亮点 - **从独白到对话**：与传统 TTS 优化阅读不同，MOSS-TTSD 掌握了对话的节奏。它支持 1 到 5 个发言者，具有灵活的控制，可处理自然的轮流发言、重叠的语音模式和不同的角色维护。
暂无开放 Issues，或尚未同步最近议题。