MOSS-TTSD是清華大學語音與語言實驗室聯合騰訊 ai Lab 等機構開發的開源雙語對話語音合成模型。它支持中英文，能把兩個說話者的對話腳本轉換成自然、有表現力的對話語音。該模型基于 Qwen3-1.7B-base 模型繼續訓練，用離散化語音序列建模，通過 XY-Tokenizer 把語音壓縮到 1kbps，同時保留語義和聲學信息。

MOSS-TTSD模型支持中英雙語，能零樣本克隆多個說話人的音色，最長可生成 960 秒的語音，適合 AI 播客、影視配音、長篇訪談等場景。它的模型權重、推理代碼和 API 接口都已開源，還支持免費商業使用。

主要特點

?高表現力的對話語音：依托統一的語義 - 聲學神經音頻編解碼器、預訓練的大型語言模型，以及數百萬小時的 TTS 數據和 40 萬小時的合成與真實對話語音構建，能生成有自然對話韻律、表現力強的類人對話語音。

?雙揚聲器語音克隆：支持零樣本雙揚聲器語音克隆，能根據對話腳本準確切換說話人，生成對話語音。

?中英雙語支持：可生成中英文兩種語言的高表現力語音。

?長語音生成：借助低比特率編解碼器和訓練框架優化，專門針對長語音生成做了訓練。

?完全開源且可商用：MOSS-TTSD 及其未來更新會完全開源，且支持免費商業使用。

MOSS-TTSD技術原理

?模型架構：在 Qwen3-1.7B-base 模型基礎上微調，采用離散化語音建模。通過 8 層 RVQ（殘差向量量化）把語音信號轉換成離散 token 序列，用自回歸方式結合 Delay Pattern 生成，最后由解碼器還原成語音。

?核心創新：XY-Tokenizer 有雙階段多任務學習流程。第一階段同時訓練自動語音識別（ASR）和語音重建任務，融合語義和粗粒度聲學信息；第二階段固定編碼器和量化器，只訓練解碼器，加入重建損失和 GAN 損失，增強細節表現。

?數據規模與預訓練：用約 100 萬小時的單說話人語音數據和 40 萬小時的對話語音數據訓練，數據經過嚴格篩選和標注，還進行了中英文 TTS 預訓練。

應用場景

?AI 播客制作：MOSS-TTSD能自動把文本轉成多人對話的播客音頻，支持零樣本人聲克隆和長語音生成，能降低制作成本。

?影視配音與動畫：為影視作品、動畫生成自然對話語音，支持多語言切換，提高配音效率。

?長篇訪談與會議記錄：把訪談或會議文本轉成語音，保留對話的韻律和情感，方便存檔和分享。

優勢與特點

?開源且商用友好：MOSS-TTSD模型權重、推理代碼和 API 接口都已開源，用戶可以免費商業使用。

?自然度和表現力：聲音自然度和表現力達到業界領先水平。

?支持聲音事件控制：比如笑聲等非語言聲音，讓語音更有表現力。

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

MOSS-TTSD官網：https://www.open-moss.com/cn/