MOSS-TTSD 是 MOSS-TTS 家族中专注于长篇对话合成的开源模型，目标是从“文本转语音”转向“剧本转对话”。它面向需要多说话人、长时间连续输出的内容创作与开发场景。
用途 MOSS-TTSD 用于将静态对话脚本转换为富有表现力的口语表演，适合 AI 播客、有声书、体育/电竞解说、配音、相声等需要多说话人交互的长篇内容。它强调对话节奏、情感细节和说话人身份的连续性，而非单句朗读。
主要能力
- 多说话人支持：支持 1 至 5 位说话人，可灵活控制，处理自然轮替、重叠语音模式，并维持不同人设。
- 超长上下文建模：单次会话可生成最长 60 分钟连贯音频，保持身份一致。
- 多场景适配：针对对话媒体（AI 播客）、动态解说（体育/电竞）、娱乐（有声书、配音、相声）等高变化场景微调。
- 多语言与零样本克隆：支持 20 种语言，包括中文、英文、日文及欧洲语言；零样本语音克隆仅需短参考音频，具备跨语言表现。
- 推理加速：支持 SGLang 推理引擎，官方称可加速最高 16 倍；v1.0 支持端到端 SGLang 推理。
- 微调支持：v0.5 起开源微调代码，支持全参数微调、LoRA 微调和多节点训练。
- 流式推理：v0.5 起支持流式推理。
- 32 kHz 输出：v0.7 起支持 32 kHz 高质量输出，并延长单次生成长度（960 秒至 1700 秒）。
使用方式 安装需使用 pip 和 conda 配置环境。模型采用延续工作流：为每位说话人提供参考音频及其转录文本作为前缀，再提供待生成的对话文本，模型会延续各说话人的身份。 批量推理可使用提供的推理脚本，脚本自动使用所有可见 GPU，可通过 export CUDA_VISIBLE_DEVICES=<device_ids> 控制 GPU 可见性。主要参数包括：--model_path（MOSS-TTSD 路径或 HuggingFace ID）、--codec_model_path（MOSS-Audio-Tokenizer 路径或 ID）、--input_jsonl（输入 JSONL 文件）、--save_dir（输出目录）、--mode（generation、continuation、voice_clone、voice_clone_and_continuation，推荐 voice_clone_and_continuation）、--batch_size（默认 1）、--max_new_tokens（控制生成音频长度，1 秒约 12.5 token）、--temperature（默认 1.1）、--top_p（默认 0.9）、--top_k（默认 50）、--repetition_penalty（默认 1.1）、--text_normalize（建议始终启用）、--sample_rate_normalize（使用 2 个及以上说话人时建议启用）。 输入 JSONL 每行一个 JSON 对象，支持 1 至 5 位说话人，文本中使用 [S1]–[S5] 标签，并为每位说话人提供 prompt_audio_speakerN / prompt_text_speakerN 对。 SGLang 加速：v1.0 支持使用 OpenMOSS 深度扩展的 SGLang 运行融合后的 MOSS-TTSD 与 MOSS-Audio-Tokenizer 模型。需先克隆兼容分支，下载 MOSS-TTSD-v1.0 和 MOSS-Audio-Tokenizer，运行融合命令生成单目录模型，再启动推理服务。首次启动可能因编译耗时较长，看到“The server is fired up and ready to roll!”即就绪。服务 API 兼容标准多模态文本生成接口，返回 JSON 的 text 字段包含 base64 编码的 WAV 音频。仓库提供最小请求示例脚本，默认向 http://localhost:30000/generate 发送请求，使用仓库内 asset/reference_02_s1.wav 和 asset/reference_02_s2.wav 作为参考音频，输出保存至 outputs/output.wav。
适用场景 AI 播客制作、有声书、体育/电竞解说、配音、相声、多语言戏剧等长篇多说话人内容。社区项目包括 ComfyUI-MOSS-TTS（ComfyUI 扩展）、MOSS-TTS-OpenAI（OpenAI 兼容 TTS API）、AnyPod（以 MOSS-TTS/MOSS-TTSD 为后端的播客生成工具）。
限制与说明 模型采用 Apache 2.0 许可。官方明确禁止未经授权的语音克隆、冒充、欺诈、诈骗、深度伪造或任何非法活动，使用者需遵守当地法律法规与伦理标准。开发者对滥用不承担责任。评估方面，客观评估使用 MMS-FA 进行词级对齐和话语分割，使用 wespeaker 提取嵌入以计算说话人归属准确率（ACC）和说话人相似度（SIM）；主观评估对开源模型按说话人归属准确率、语音相似度、韵律和整体质量打分并计算 Elo 评级，对闭源模型计算胜率。具体硬件要求、价格与收费信息暂未提供。
