MOSS-TTSD 震撼开源: 百万小时训练打造 AI 播客新王者

由清华大学语音与语言实验室 （TencentAILab） 联合上海创智学院、复旦大学和模思智能打造的 MOSS-TTSD(TexttoSpokenDialogue) 近日正式开源，标志着 AI 语音合成技术在对话场景中的重大突破。

这款基于 Qwen3-1.7B-base 模型续训练的语音对话生成模型，以约 100 万小时单说话人语音数据和 40 万小时对话语音数据为基础，采用离散化语音序列建模方法，实现了中英双语的高表现力对话语音生成，特别适合 AI 播客、有声小说和影视配音等长篇内容创作。

MOSS-TTSD 的核心创新在于其 XY-Tokenizer，采用双阶段多任务学习方式，通过八层 RVQ 码本将语音信号压缩至 1kbps 比特率，同时保留语义与声学信息，确保生成语音的自然度和流畅性。模型支持最长 960 秒的超长语音生成，避免了传统 TTS 模型拼接片段导致的不自然过渡。此外，MOSS-TTSD 具备零样本音色克隆能力，可通过上传完整对话片段或单人音频实现双人语音克隆，并支持声音事件控制，如笑声等非语言声音，赋予语音更丰富的表现力。

与市场上其他语音模型相比，MOSS-TTSD 在中文客观指标上大幅领先开源模型 MoonCast，韵律和自然度表现优异。然而，相较于字节跳动的豆包语音模型，其语气和节奏感略逊一筹，但在开源和免费商业使用的优势下，MOSS-TTSD 仍展现出强大的应用潜力。模型权重、推理代码和 API 接口已通过 GitHub（https://github.com/OpenMOSS/MOSS-TTSD） 和 HuggingFace(https://huggingface.co/fnlp/MOSS-TTSD-v0.5) 全面开源，官方文档和在线体验 Demo 也已上线，为开发者提供便捷接入。

MOSS-TTSD 的发布为 AI 语音交互领域注入新活力，尤其在长篇访谈、播客制作和影视配音等场景中，其稳定性和表现力将推动内容创作的智能化进程。未来，团队计划进一步优化模型，增强多说话人场景下的语音切换准确性和情感表达。

地址：https://github.com/OpenMOSS/MOSS-TTSD