/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-1.7B-Base
Опубликована
19 июн 2025

MOSS-TTSD-v0

Синтез речиТекст → аудио3 профессии

MOSS-TTSD синтезирует выразительные диалоги на китайском и английском с клонированием голосов двух собеседников.

28скачиваний за 30 дней28лайковвеса обновлены20 июн 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MOSS-TTSD — разработанная OpenMOSS-Team открытая модель синтеза диалоговой речи на китайском и английском языках. Она преобразует сценарии диалога двух собеседников в выразительную разговорную речь с естественной просодией и переключением между голосами.

Модель поддерживает клонирование голосов двух говорящих без дополнительного обучения и генерацию речи в одной сессии длительностью до 960 секунд. В основе — дообученная Qwen3-1.7B-Base с архитектурой Qwen3 и акустическим кодеком; размер составляет 1,7 млрд параметров, контекст — 32 768 токенов. Модель предназначена, в частности, для создания подкастов и озвучивания диалоговых сценариев.

Лицензия Apache-2.0 допускает коммерческое использование. В README заявлено, что модель генерирует речь на китайском и английском; качество и поддержка других языков не описаны.

Сценарии применения

  • создание диалоговых подкастов по сценарию
  • озвучивание диалогов между двумя персонажами
  • клонирование двух голосов для разговорной сцены
  • генерация длинной разговорной речи до 16 минут
  • создание китайской и английской озвучки

Ограничения

По доступным сведениям модель предназначена для китайского и английского языков; поддержка других языков не заявлена. Независимые оценки качества и ограничения клонирования голосов в карточке не приведены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MOSS-TTSD 🪐

Overview

MOSS-TTSD (text to spoken dialogue) is an open-source bilingual spoken dialogue synthesis model that supports both Chinese and English. It can transform dialogue scripts between two speakers into natural, expressive conversational speech. MOSS-TTSD supports voice cloning and single-session speech generation of up to 960 seconds, making it ideal for AI podcast production.

Highlights

  • Highly Expressive Dialogue Speech: Built on unified semantic-acoustic neural audio codec, a pre-trained large language model, millions of hours of TTS data, and 400k hours synthetic and real conversational speech, MOSS-TTSD generates highly expressive, human-like dialogue speech with natural conversational prosody.
  • Two-Speaker Voice Cloning: MOSS-TTSD supports zero-shot two speakers voice cloning and can generate conversational speech with accurate speaker swithcing based on dialogue scripts.
  • Chinese-English Bilingual Support: MOSS-TTSD enables highly expressive speech generation in both Chinese and English.
  • Long-Form Speech Generation (up to 960 seconds): Thanks to low-bitrate codec and training framework optimization, MOSS-TTSD has been trained for long speech generation, enabling single-session speech generation of up to 960 seconds.
  • Fully Open Source & Commercial-Ready: MOSS-TTSD and its future updates will be fully open-source and support free commercial use.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Для архитектуры qwen3 нет загрузчика под задачу text-to-speech.

Класс архитектуры
AsteroidTTSModel
Ревизия весов
ef02990

0 моделей