技术突破 - MOSS-TTSD首次基于百万小时音频训练，成功破除AI播客的「恐怖谷」魔咒，实现超高拟人度的逼真对话语音合成[3][5] - 模型采用离散化语音序列建模方法，在约100万小时单说话人语音数据和40万小时对话语音数据上进行训练，具备中英双语语音合成能力[13] - 创新性开发XY-Tokenizer语音离散化编码器，采用8层RVQ音频Codec将比特率压缩至1kbps，支持最长960秒音频生成[15][16][22] 性能表现 - 在中文播客生成测试中，MOSS-TTSD与商业产品豆包在多个维度表现相当[8] - 说话人分离模型在AISHELL-4等测试集上DER指标显著优于开源及商用版本（9.7 vs 11.1/11.7）[28][29] - 在500条中英文双人对话测试集中，音色克隆保真度和语音韵律自然度大幅领先开源模型MoonCast[31][34] 应用场景 - 特别适合播客、影视配音、长篇访谈、数字人对话带货等需要长语音生成的场景[22] - 展示案例包括邓紫棋&周杰伦、潘长江&嘎子等音色克隆，以及原神游戏讨论等长播客生成[11] - 支持电商直播、体育解说等需要多人对话语音合成的商业应用场景[1][5] 技术架构 - 基于Qwen3-1.7B-base模型进行续训练，采用自回归加Delay Pattern进行语音token生成[13][14] - 数据清洗流水线通过说话人分离模型和DNSMOS评分（≥2.8）确保语音质量[24][27] - 两阶段多任务学习：第一阶段训练ASR和重建任务，第二阶段通过GAN损失补充细粒度声学信息[17][18][19][21]