當一段語音不僅需要 “像某個人”、“準確地讀出每個字”， 還需要在不同內容中自然切換說話方式， 在幾十分鐘的敘述中持續(xù)穩(wěn)定， 在對話、角色、實時交互等不同形態(tài)下都能直接使用 —— 單一的 TTS 模型，往往已經(jīng)不夠用了。

就在今天，模思智能及 OpenMOSS 團隊再度上新，發(fā)布并開源了MOSS-TTS Family，一套面向高保真、高表現(xiàn)力與復雜場景生成的語音生成模型家族。

你可以用 MOSS-TTS Family 完成這些事情：

• 零樣本克隆說話人的音色與表達風格并精準控制語音時長，用于紀錄片、影視配音或新聞播報；
• 生成具備真實節(jié)奏的雙人或多人對話，用于播客、綜藝或解說；
• 通過指令設計帶有情緒與表演狀態(tài)的角色聲音；
• 為內容補全環(huán)境音與音效；
• 以及在實時 Voice Agent 系統(tǒng)中，以流式方式持續(xù)輸出自然語音；

從這些真實、明確的實際需求，我們不難看出，模思推出的 TTS 全家桶，并不是單一能力的堆疊，而是一整套可以直接接入創(chuàng)作流程、產品系統(tǒng)與交互場景的聲音生產工具鏈。

語音生成模型家族：全維度能力覆蓋

MOSS-TTS Family并不是對 “一個更大的 TTS 模型” 的追求。

相反，我們選擇將聲音生產拆解為多個真實存在的創(chuàng)作與應用環(huán)節(jié)，并為每一個環(huán)節(jié)提供專門的模型支持，使它們既可以獨立使用，也可以組合成完整的工作流。

整個模型家族包含五個核心成員：

• MOSS-TTS：高保真、高表現(xiàn)力的語音生成基座，多語言、長音頻、精確時長控制；
• MOSS-TTSD：全面更新至 1.0 版本，面向真實對話場景的多說話人語音合成，包括但不限于播客等更多復雜對話場景；
• MOSS-VoiceGenerator：復雜文本指令跟隨、用于音色與角色設計；
• MOSS-SoundEffect：環(huán)境音與音效生成模型；
• MOSS-TTS-Realtime：面向實時交互的實時流式 TTS 模型；

它們共同構成了一個覆蓋 “穩(wěn)定生成、靈活設計、復雜對話、情境補全、實時交互” 的聲音創(chuàng)作生態(tài)閉環(huán)。

MOSS-TTS：高表現(xiàn)力語音生成基座

MOSS-TTS 是整個 MOSS-TTS Family 的基礎模型，也是所有聲音能力得以成立的前提。

它的核心目標是在真實內容與復雜場景中，穩(wěn)定地復現(xiàn)一個說話者的聲音特征、表達方式與語言習慣，并穩(wěn)定地生成長語音片段。

在下面的音頻示例中，我們將從多個維度展示 MOSS-TTS 的能力邊界。

零樣本音色復刻：從 “像聲音” 到 “像這個人說話”

音色克隆并不等同于音色相似。在真實內容中，人們更容易注意到的，往往是語速、韻律、停頓方式、情緒走向與整體說話風格是否一致。MOSS-TTS 的音色克隆能力，正是圍繞這些 “非顯性特征” 展開。

在業(yè)界權威測試集 Seed-TTS-eval 上，MOSS-TTS 的語音音色相似度超越了當前所有的開源模型和大多數(shù)閉源模型。

中文場景展示