MOSS-TTSD – 清华实验室开源的口语对话语音生成模型

MOSS-TTSD是什么

MOSS-TTSD的主要功能

• 高表现力对话语音生成：能将对话脚本转换为自然、富有表现力的对话语音，准确捕捉对话中的韵律、语调等特性。
• 零样本多说话人音色克隆：支持根据对话脚本生成准确的对话者切换语音，无需额外样本即可实现两位对话者的音色克隆。
• 中英双语支持：可在中文和英文两种语言中生成高质量的对话语音。
• 长篇语音生成：基于低比特率编解码器和优化的训练框架，能一次性生成超长语音，避免拼接语音片段的不自然过渡。
• 完全开源且商业就绪：模型权重、推理代码和API接口均已开源，支持免费商业使用。

MOSS-TTSD的技术原理

• 基础模型架构：MOSS-TTSD 基于 Qwen3-1.7B-base 模型进行续训练，采用离散化语音序列建模方法。模型通过八层 RVQ（Residual Vector Quantization）码本对语音进行离散化处理，将连续的语音信号转换为离散的 token 序列。这些 token 序列通过自回归加 Delay Pattern 的方式生成，最后通过 Tokenizer 的解码器将 token 还原为语音。
• 语音离散化与编码器创新：核心创新之一是 XY-Tokenizer，是专门设计的语音离散化编码器。XY-Tokenizer 采用双阶段多任务学习方式训练：
  • 第一阶段：训练自动语音识别（ASR）任务和重建任务，让编码器在编码语义信息的同时保留粗粒度的声学信息。
  • 第二阶段：固定编码器和量化层，仅训练解码器部分，通过重建损失和 GAN 损失补充细粒度声学信息。 XY-Tokenizer 在 1kbps 的比特率和 12.5Hz 的帧率下，能同时建模语义和声学信息，性能优于其他同类 Codec。
• 数据处理与预训练：MOSS-TTSD 使用了约 100 万小时的单说话人语音数据和 40 万小时的对话语音数据进行训练。团队设计了高效的数据处理流水线，从海量原始音频中筛选出高质量的单人语音和多人对话语音，进行标注。模型进行了 TTS 预训练，使用 110 万小时的中英文 TTS 数据显著增强了语音韵律和表现力。
• 长语音生成能力：基于超低比特率的 Codec，MOSS-TTSD 支持最长 960 秒的音频生成，能一次性生成超长语音，避免了拼接语音片段之间的不自然过渡。

MOSS-TTSD的项目地址

• 项目官网：https://www.open-moss.com/en/moss-ttsd/
• Github仓库：https://github.com/OpenMOSS/MOSS-TTSD
• HuggingFace模型库：https://huggingface.co/fnlp/MOSS-TTSD-v0.5
• 在线体验Demo：https://huggingface.co/spaces/fnlp/MOSS-TTSD

MOSS-TTSD的应用场景

• AI 播客制作：MOSS-TTSD 能生成自然流畅的对话语音，特别适合用于 AI 播客的制作。可以模拟真实的对话场景，生成高质量的播客内容。
• 影视配音：模型支持中英双语的高表现力对话语音生成，能进行零样本音色克隆，适用于影视作品中的对话配音。
• 长篇访谈：MOSS-TTSD 支持最长 960 秒的音频生成，能一次性生成超长语音，避免了拼接语音片段之间的不自然过渡，非常适合长篇访谈的语音生成。
• 新闻报道：在新闻报道中，MOSS-TTSD 可以生成自然的对话式语音，用于播报新闻内容，提升新闻的吸引力。
• 电商直播：模型可以用于数字人对话带货等电商直播场景，通过生成自然的对话语音来吸引观众。