MOSS-TTSD_音色克隆_双人对话生成AI工具

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。

👇👇👇—— 本项目开源大家有技术也可以自行开发 ——👇👇👇

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

☞☞☞☞☞☞  一键启动包请点击下载地址下载  ☞☞☞☞☞☞

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

• 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 打开下载地址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”。

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

生成结果也会保存在文件包中的“outputs”文件夹中