MOSS-TTSD播客语音

一个由上海创智学院、复旦大学和模思智能的OpenMOSS团队开发的开源双语对话语音合成模型，支持中英文对话生成。

该项目基于Qwen3-1.7B-base模型续训，采用离散化语音序列建模（XY-Tokenizer），

通过约100万小时单人语音和40万小时对话语音数据训练，能够生成高拟人度的自然、富有表现力的对话语音，特别适用于AI播客制作。

配置要求：8G以上显卡可用

一、特点： 1.高表现力对话语音：生成自然流畅的对话语音，准确捕捉对话中的韵律、语调和情感，模拟真实对话场景。 2.零样本双人音色克隆：支持零样本语音克隆，可根据对话脚本自动生成两位对话者的语音，并实现精准的说话者切换。 3.长语音生成：支持最长 960秒 的单次语音生成，避免拼接带来的不自然过渡，适合长篇内容。 4.多场景应用：适用于 AI 播客、访谈、新闻报道、电商直播等场景，生成高质量对话语音。 5.完全开源：基于 Apache 2.0 许可，支持免费商业使用，代码、模型和演示均公开。 二、技术： 1.模型架构：基于 Qwen3-1.7B-base 模型续训，采用离散化语音序列建模，通过八层 RVQ（残差矢量量化） 将语音信号转为离散 token 序列。 2.XY-Tokenizer：创新的语音离散化编码器，采用双阶段多任务学习： 3.第一阶段：训练自动语音识别（ASR）和重建任务，保留语义和粗粒度声学信息。 4.第二阶段：固定编码器，训练解码器，通过重建和 GAN 损失补充细粒度声学信息。 5.在 1kbps 比特率和 12.5Hz 帧率下，高效建模语义和声学信息，性能优于同类 Codec。 6.数据训练：使用约 100万小时 单人语音和 40万小时 对话语音数据训练，结合 110万小时 中英文 TTS 数据，增强语音表现力。 7.Podever 播客工具：提供自动化播客生成管道，可从 PDF、URL 或长文本生成高质量播客片段。 三、应用场景： 1.AI 播客：生成自然对话语音，模拟真实播客场景。 2.新闻报道：为新闻内容生成吸引人的对话式语音。 3.电商直播：为数字人生成自然对话语音，提升观众互动。 4.教育与研究：支持语言研究和对话系统开发。

资源失效请添加番茄资源网v：jay2005007或者(番茄资源网永久地址发布页www.fanq.site，收藏我回家不迷路

资源获取:

通过网盘分享的文件：【更多资源www.fanq.site】