使用场景
通过 MOSS-TTSD 生成的播客音频,提升内容的可听性。
用于在线教育平台的交互式语音回答系统。
在娱乐应用中,为角色对话添加真实的声音表现。
产品特色
支持中英文的对话语音生成。
实现零 - shot 两人语音克隆,准确切换发言者。
长时间的语音生成,适合 AI 播客制作。
高表达力的对话语音,接近人类自然对话的音色。
提供本地和 API 两种推理方式,便于用户使用。
支持批处理工具,能同时处理多个生成请求。
包括播客生成工具,能将长文本或网页内容转为音频。
提供简单的微调脚本,便于用户自定义模型。
使用教程
安装所需的依赖库并设置 Python 环境。
下载并准备 XY Tokenizer 模型权重。
准备 JSONL 格式的输入文件,包含对话脚本和发言者音频参考。
运行推理脚本,指定输入文件路径和输出目录。
查看生成的音频文件,进行后续处理或发布。
