MOSS-TTSD
OpenMOSS 的 8B 口语对话模型:一次最多 5 位说话人、60 分钟,支持声音克隆。Apache 2.0。
一句话概括. MOSS-TTSD 能把有多位说话人的剧本一次性变成一段口语对话,比如播客、访谈或体育解说。你给它每位说话人的一小段录音,它就能让每个声音保持一致,最长可达一小时。可以免费用于商业用途。
概述
MOSS-TTSD v1.0 是 MOSS-TTS 家族中的对话专才。它是 8B 模型,与 MOSS-TTS 采用相同的 MossTTSDelay 设计,能把带有 [S1]、[S2] 这类说话人标签的剧本变成口语对话。据模型卡介绍,它支持 1 到 5 位说话人,单次最长 60 分钟的音频,并能用 3 到 10 秒的参考音频零样本克隆声音。它针对播客、访谈、带旁白和角色的有声书、体育和电竞解说、配音和相声做过调优。家族模型卡列出 20 种语言,TTSD 部分称它在中文、英语、日语和欧洲语言等主要语言上跨语言表现稳健。你需要为每位说话人提供参考音频和对应文字,模型会接着用每个声音继续说下去。
OpenMOSS 自己在中英文对话上的测试中,MOSS-TTSD v1.0 在开放模型里说话人相似度和说话人归属准确率最高,中文词错误率最低,为 4.85%。VibeVoice 7B 的英语词错误率略低,为 9.46%,MOSS-TTSD 为 9.88%。与闭源系统(Eleven v3、Gemini 2.5 Pro TTS 和豆包播客,MOSS-TTSD 分别用各系统的声音来测试)相比,模型卡列出的 MOSS-TTSD 说话人相似度和归属准确率更高,但每项对比中词错误率都更高。README 还称标注员对成对样本做了比较,更偏好 MOSS-TTSD,而不是豆包和 Gemini 2.5 Pro,但这些结果只以图表形式给出。以上全部是开发者自己的测试。
权重采用 Apache 2.0,BF16 下 16.7 GB,在 Transformers 5 上通过 trust_remote_code 加载。vLLM-Omni 列出了对 MOSS-TTSD 的支持。技术报告是 arXiv 2603.19739。在截至 2026 年 11 月 11 日的 30 天里,Hugging Face 统计到约 1.18 万次下载,远少于 MOSS-TTS 本身。
适合做什么
- 根据两到五位说话人的书面剧本,制作播客风格的音频和访谈。
- 长达一小时的音频,比如带旁白和角色的有声书,或比赛解说。
- 配音和相声,每个声音用 3 到 10 秒的参考音频克隆。
- 在 Apache 2.0 下搭建可商用的对话流程,替代 VibeVoice 这类仅限研究的选项。
需要注意
- 所有分数都来自 OpenMOSS 自己,人工偏好结果也只以图表形式给出。
- 虽然相似度和归属准确率更好,但词错误率比它所对比的闭源系统更高。
- 中英文以外的语言覆盖只有笼统的描述,所以请测试你需要的语言。
- 它要为每位说话人提供参考音频和对应文字,需要干净的样本和剧本,而且 8B 模型需要较大的 GPU。
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 MOSS-TTSD 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。
| 版本 | 参数量 | 下载大小 | 所需内存 | 可运行于 |
|---|---|---|---|---|
| v1.0 (8B) BF16 | 8.36B | 17 GB | 19 GB | 游戏显卡 |
下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。
许可证,用大白话说
最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。
延伸阅读
常见问题
- MOSS-TTSD 是什么?
- MOSS-TTSD 能把有多位说话人的剧本一次性变成一段口语对话,比如播客、访谈或体育解说。你给它每位说话人的一小段录音,它就能让每个声音保持一致,最长可达一小时。可以免费用于商业用途。
- MOSS-TTSD 可以商用吗?
- 可以。MOSS-TTSD 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
- MOSS-TTSD 是开源的吗?
- MOSS-TTSD 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
- 我能在自己的电脑上运行 MOSS-TTSD 吗?
- 可以,但需要一块好显卡。最小版本 v1.0 (8B) 在 4 位精度下约需 19 GB 内存,适合 24 至 32 GB 的游戏显卡,或 32 GB 及以上内存的 Mac。
- MOSS-TTSD 是什么时候发布的?
- MOSS-TTSD 由 OpenMOSS 于 2026年2月10日 发布。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- MOSS-TTSD-v1.0 model card (Hugging Face) huggingface.co
- MOSS-TTS family repository and evaluation tables (GitHub) github.com
- MOSS-TTSD: Text to Spoken Dialogue Generation (arXiv 2603.19739) arxiv.org
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| MOSS-TTS OpenMOSS | 4.55B – 8.49B | – | Apache 2.0 (宽松) | 10 GB 笔记本或手机 | |
| VibeVoice-TTS Microsoft | 1.02B – 2.7B | 64K | MIT (宽松) | 2.35 GB 笔记本或手机 | |
| Drama 3 Fish Audio | 35.9B 激活 3B | – | Fish Audio Community 1.0 (附条件) | 25 GB 游戏显卡 | |
| Higgs TTS 3 Boson AI | 4.65B | – | Boson Higgs Non-Commercial (非商用) | 11 GB 笔记本或手机 |