MOSS：文本到口语对话生成

一、教程简介

MOSS-TTSD 是由 OpenMOSS 团队于 2025 年 6 月 20 日发布的一个开源的双语口语对话合成模型，支持中文和英文。它能够将两位说话者之间的对话脚本转换为自然、富有表现力的对话语音。 MOSS-TTSD 支持语音克隆和长单段语音生成，使其成为 AI 播客制作的理想选择。相关论文成果为「MOSS-TTSD: Text to Spoken Dialogue Generation」。

本教程采用资源为单卡 RTX 4090 。

二、项目示例

三、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

2. 使用步骤

若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 2-3 分钟后刷新页面。使用 Safari 浏览器时，音频可能无法直接播放，需要下载后进行播放。

*该教程可在「音频输入模式」处选择单人音频生成（Single）和双人对话音频生成（Role）。

四、交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓

引用信息

本项目引用信息如下：

@article{moss2025ttsd,
  title={Text to Spoken Dialogue Generation}, 
  author={OpenMOSS Team},
  year={2025}
}