MOSS-TTSD（Text to Spoken Dialogue） 是由清华大学语音与语言实验室联合 Tencent AI Lab 开发的开源口语对话语音生成模型。它能够将多轮文本对话自然地转化为具备人物风格、情绪表达的中英文对话语音。该模型融合了大规模语音数据与语义-音学神经网络，支持零样本语音克隆与多说话人切换，广泛适用于播客、访谈等富表现力语音生成需求场景。

👇👇👇—— 底部有生成结果示例 ——👇👇👇

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

☞☞☞☞☞☞  一键启动包在右侧下载  ☞☞☞☞☞☞

视频介绍：

 

配置要求：

电脑满足以下配置：

  • 操作系统：Windows 10/11 64位
  • 内存：16G以上
  • 显卡：至少8G及以上显存的英伟达（NVIDIA）显卡
  • CUDA：显卡驱动更新到最新后，支持的CUDA版本大于等于12.8版本（如不知道显卡支持的CUDA版本，可点击此链接查看：https://aiyy.info/supported-cuda-versions/）
  • 整合包解压完约19.9G，要留足硬盘空间

如何查看显卡品牌型号和显存：

  • 打开任务管理器
  • 点击“性能”
  • 点击“GPU”
  • 右上角可以看到显卡型号，下方可以看到显存大小

 

使用教程：

① 打开下载页面（https://aiyy.info/moss-ttsd/‎）点击页面右侧下载按钮，下载整合包之后解压，建议使用winrar解压（解压软件在文件包中，或者可以自己下载安装，下载地址：https://www.winrar.com.cn/）

不要用Windows自带解压！！不要用360解压！！

注意：文件夹路径和文件名称（包括音频、图片、视频等文件名称）不要出现中文字符，否则部分软件会因识别不出而报错

② 双击“一键启动.bat”，稍等片刻会在浏览器中自动打开操作界面

③ 选择界面语言为中文，然后输入需要生成的文本（注意，一定要严格按照格式：[S1]后面接角色1文本。[S2]后面接角色2文本。如下方示例所示），然后选择输入模式，Single是上传一个包含两个角色对话的音频，但是建议选择Role分别上传角色1和角色2的音频，然后在下方分别上传角色1和角色2的音频，再在对应音频下方的框中分别输入角色1和角色2的音频对应的文本内容，最后点击“生成音频”。

如下方示例所示，生成结果位于下方，点击播放按钮可以试听，点击生成结果右上角的下载按钮可以保存至指定文件夹

角色1参考音频

角色2参考音频

生成结果：

 

生成结果也会保存在文件包中的“outputs”文件夹中

 

声明： ① 本站所有资源版权均属于原作者所有，这里所提供资源均只能用于参考学习用，请勿直接商用。若由于商用引起版权纠纷，一切责任均由使用者承担。更多说明请参考赞助计划。 ② 本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。