MOSS-TTSD：让AI对话"听见"的声音

你有没有想过，如果把一篇新闻稿交给AI，它不仅能读懂内容，还能用两个人的声音展开一场生动的辩论？MOSS-TTSD 正在做这件事。这个来自 OpenMOSS 团队的开源项目，把文字对话变成了有血有肉的多人语音对话，支持长达60分钟不间断的连贯输出，还能用几秒钟的参考音频克隆任意音色。

背景：为什么对话需要"出声"

传统的文本转语音（TTS）系统擅长的是"朗读"——把一段文字变成单个人的声音输出。但现实中的对话远比朗读复杂：两个人、三个人甚至五个人轮流发言，打断、接话、语气起伏，这些才是真实交流的样子。

OpenMOSS 团队在开发 MOSS-TTS 基础模型的过程中，发现了一个巨大的需求空白——业界缺少一个真正面向"长对话"场景的开源方案。2025年6月，他们发布了 MOSS-TTSD v0，随后在一年内快速迭代至 v1.0，每次更新都显著提升了语音质量、克隆能力和生成稳定性。2026年3月，团队进一步支持了 SGLang 推理加速，最高达16倍性能提升。

核心技术：语音 Tokenizer + Transformer 的组合拳

MOSS-TTSD 的架构基于 MossTTSDelay——一个8B参数的大型 Transformer 模型，配合独立的 MOSS-Audio-Tokenizer 音频编码器使用。

核心流程是这样的：首先，用户提供1到5位说话人的参考音频（每段仅需几秒钟）和对应文本；然后，Audio-Tokenizer 将这些音频压缩成离散的 token 序列；最后，主模型在给定文本和参考音频 token 的条件下，自回归生成目标对话的音频 token，再解码回 WAV 文件。

这种"语音Tokenizer化"的方案借鉴了 VQ-VAE 思想，大幅降低了音频建模的计算复杂度，也使得长音频生成在工程上变得可控。模型支持最长60分钟单次生成不间断，中途无需重启，这是当前开源方案中极为罕见的能力。

多语言与零样本克隆

MOSS-TTSD 目前支持 20种语言（中文、英语、德语、西班牙语、法语、日语、韩语、俄语、阿拉伯语等），并在中文和英语上进行了大量评估。团队自建了 TTSD-eval 评测框架，结合 MMS-FA 词级对齐和 wespeaker 说话人嵌入，在 Speaker Similarity（音色相似度）和 Speaker Attribution Accuracy（说话人归属准确率）两个指标上均超越了多个商业方案。

例如，在中文测试中，使用豆包 Podcast 音色作为参考时，MOSS-TTSD 的相似度达到0.8226，超越豆包本身的0.8034；在英文测试中，使用 Gemini TTS 音色时，相似度0.7893，也超越了 Gemini 自身的0.6786。

SGLang 加速：16倍推理提速

对于生产环境而言，生成速度至关重要。2025年9月，团队引入了 OpenMOSS 定制的 SGLang 分支，支持流式推理和批量处理。根据官方数据，相比纯 PyTorch 推理，SGLang 可实现最高16倍加速。2026年3月，v1.0版本进一步支持了端到端 SGLang 推理服务，只需启动一个服务器即可接受 API 请求，模型自动切换到 voice_clone_and_continuation 模式。

社区生态：从 Gradio 到 ComfyUI

MOSS-TTSD 并非只有一个命令行工具。官方提供了 Gradio Web UI Demo（gradio_demo.py），用户可以直接在浏览器中上传参考音频、输入对话脚本、点击生成。社区开发者还贡献了多个衍生项目：ComfyUI-MOSS-TTS 将其集成到流行的 AI 图像工作流平台；MOSS-TTS-OpenAI 提供了 OpenAI 兼容的 TTS API，方便已有应用快速接入；AnyPod 则将 MOSS-TTSD 作为后端，实现自动从 PDF、URL 或长文本生成播客节目。

部署与上手

MOSS-TTSD 目前不提供 Docker 镜像，需要手动配置 Python 环境。推荐使用 conda 创建 Python 3.12 环境，通过 pip 安装 requirements.txt，额外安装 flash-attn 以启用 GPU 加速推理。硬件门槛较高：至少需要一块 NVIDIA GPU（推荐 A100/H100），显存不低于16GB，内存32GB以上，磁盘空间20GB+用于存放模型权重（两个模型合计约16GB）。

对于没有 GPU 的用户，可以访问 Hugging Face Spaces 上的在线 Demo 体验基础功能，或者通过 SiliconFlow API 接口（v0.5版本提供）远程调用。

局限与风险提示

项目仓库和论文末尾均明确声明了用途免责条款：严禁用于未经授权的声纹克隆、身份冒充、欺诈或 deepfake 制作。技术层面，模型在极端长音频（超过60分钟）时仍可能出现音色漂移问题；此外，极端噪声环境或非标准语言变体的参考音频会显著降低克隆质量。作为开源方案，当前缺乏企业级的 SLA 保障和商业支持。

行业意义

MOSS-TTSD 的出现，填补了开源社区在"长对话语音生成"领域的能力空白。它不仅是 MOSS-TTS 家族（涵盖基础TTS、实时TTS、声音设计、音效生成）的关键一环，更代表了一种趋势——将大型语言模型的多模态生成能力，从文本扩展到高表现力的语音层面。随着多模态Agent的快速发展，能够生成自然多人对话的TTSD模型，将在播客自动化、音频内容创作、无障碍辅助等领域发挥越来越重要的作用。

项目基本信息

核心文件

• inference.py — 批量推理入口，支持 JSONL 批量处理
• gradio_demo.py — Web UI 演示
• generation_utils.py — 音频预处理、采样参数解析等工具函数
• scripts/ — 模型融合、SGLang 请求示例等脚本