模型简介
MOSS-TTSD 是面向长篇多人对话的开源语音模型。输入带有角色标记的脚本、各说话人的参考录音及对应文字，即可生成一段连续对话。模型结合对话上下文与已生成的语音，处理角色轮换、接话节奏和语气变化，在延续各自声音特征的同时，让说话人的回应自然衔接。
基于 MOSS-TTS 构建，模型针对播客访谈、体育与电竞解说、有声书、配音及相声等口语场景进行训练。它能够呈现主持人与嘉宾的交流、旁白和人物对白的穿插，以及赛事解说中从分析到喊声的变化。不同说话方式可在同一段连续音频中展开，形成有角色区分和语气起伏的声音演绎。
功能描述
最多 5 位说话人，共同演绎
支持 1–5 位说话人在同一段音频中发言。通过角色标记分配台词，并为每位说话人提供各自的参考声音，让主持人、嘉宾、旁白与人物对白按脚本衔接。
自然接话，也有交叠人声
结合对话上下文生成自然的接话、插话与交叠人声。模型处理多人交流中的说话节奏与角色切换，使回应与互动连贯，并保留不同说话人的声音特征。
单次生成，最长 60 分钟
长上下文建模支持单次生成最长 60 分钟的连续语音。随着话题推进和角色切换，模型延续前文中的声音与韵律，适合长篇访谈、完整节目和有声故事。
几秒录音，设定角色声音
使用 3–10 秒参考录音及对应文字，即可进行零样本音色克隆，无需为角色单独训练。为各说话人指定声音后，模型将这些声音用于后续台词与角色互动。
20 种语言，跨语言复用音色
支持中文、英语、日语、韩语等 20 种语言，也支持跨语言音色克隆。参考声音可以用于其他支持语言的台词，为同一角色制作不同语言的对话内容。
从平静分析到激动喊声
从平静的分析到激动的喊声，模型可以呈现体育、电竞解说中的语气变化。针对播客、配音等场景的训练，也覆盖旁白叙述与人物对白的不同说话方式。