MOSS-TTSD

MOSS-TTSD是一個開源的雙語對話合成模型，支持自然、富有表現力的語音生成。它能將對話腳本轉換為高質量的語音，適用於播客製作和AI 對話應用。該模型的特點包括零- shot 語音克隆和長時間語音生成，具有高度的表達力和真實感。 MOSS-TTSD的訓練基礎包括大規模的語言數據和語音數據，確保了生成語音的自然性與準確性。該技術適合商業化使用，並且完全開源。

需求人群：

"該產品適合語音合成、播客製作和對話AI 應用的開發者，特別是需要高質量語音生成的內容創作者和研究者。 MOSS-TTSD提供了一個靈活且功能強大的平台，使得用戶能夠生成自然流暢的對話音頻，滿足商業和教育需求。"

使用場景示例：

通過MOSS-TTSD生成的播客音頻，提升內容的可聽性。

用於在線教育平台的交互式語音回答系統。

在娛樂應用中，為角色對話添加真實的聲音表現。

產品特色：

支持中英文的對話語音生成。

實現零- shot 兩人語音克隆，準確切換發言者。

長時間的語音生成，適合AI 播客製作。

高表達力的對話語音，接近人類自然對話的音色。

提供本地和API 兩種推理方式，便於用戶使用。

支持批處理工具，能同時處理多個生成請求。

包括播客生成工具，能將長文本或網頁內容轉為音頻。

提供簡單的微調腳本，便於用戶自定義模型。

使用教程：

安裝所需的依賴庫並設置Python 環境。

下載並準備XY Tokenizer 模型權重。

準備JSONL 格式的輸入文件，包含對話腳本和發言者音頻參考。

運行推理腳本，指定輸入文件路徑和輸出目錄。

查看生成的音頻文件，進行後續處理或發布。