复旦 OpenMOSS 开源的多说话人对话语音合成，单次可生成 60 分钟长对话
MOSS-TTSD 是复旦 OpenMOSS 团队开源的对话式语音合成模型，Apache-2.0 许可，README 自述为 MOSS-TTS 家族的 "long-form dialogue specialist"， 把 "text-to-speech" 转向 "script-to-conversation"。支持 1–5 个说话人与 自然话轮转换，单次会话最长生成 60 分钟连贯音频并保持说话人身份一致， 短参考音频即可零样本克隆声音，覆盖中英日等 20 种语言，官方场景含 AI 播客、体育解说、有声书与配音。模型权重 v1.0 上架 HuggingFace 与魔搭， 配套 SGLang 推理加速，论文挂 arXiv 2603.19739，GitHub 1.4k stars （2026-10-06）。
暂无相关文章。
