MOSS-TTS v1.5 发布：支持 31 种语言与显式停顿控制，零样本克隆更稳定，首字节延迟低至 180ms

在 AI 语音合成领域，单一模型往往难以同时满足高保真度、长文本稳定性、多角色对话及实时交互等复杂需求。MOSS-TTS 系列由 MOSI.AI 与 OpenMOSS 团队 联合开发，通过将工作流拆分为五个专门优化的生产级模型，提供了一套完整、灵活且开源的语音解决方案。

• GitHub：https://github.com/OpenMOSS/MOSS-TTS
• Hugging Face：https://huggingface.co/OpenMOSS-Team/MOSS-TTS-v1.5
• ModelScope：https://modelscope.cn/models/openmoss/MOSS-TTS-v1.5

最新发布的 MOSS-TTS v1.5 在多语言支持、克隆稳定性及韵律控制上实现了显著突破。

MOSS-TTS 系列：五大核心模型

1. MOSS-TTS：旗舰级生产模型

• 高保真克隆：具备业界领先的零样本语音克隆能力，相似度更高，方差更低。
• 精细控制：支持拼音、音素及时长的细粒度调整，完美处理多语言及语码转换。
• 长文本稳定：在数十分钟的长篇语音生成中保持音色与风格的高度一致。

2. MOSS-TTSD：口语对话生成专家

• 表现力卓越：专为多说话人、超长对话设计，情感丰富自然。
• 业界领先：v1.0 版本在客观指标上达到 SOTA，主观评测中优于 Doubao 和 Gemini 2.5-pro 等顶尖闭源模型。

3. MOSS-VoiceGenerator：纯文本语音设计

• 无需参考音频：仅通过文本提示即可生成多样化的语音风格和角色声音。
• 统一设计层：集语音设计、风格控制与合成为一体，可独立运行或作为下游 TTS 的前置模块。

4. MOSS-TTS-Realtime：实时智能体首选

• 极低延迟：首字节时间（TTFB）仅需 180 毫秒，配合 LLM 首句生成总延迟仅 377 毫秒。
• 上下文感知：采用增量合成技术，确保多轮对话回复自然连贯，是构建低延迟语音智能体的理想选择。

5. MOSS-SoundEffect：全能音效生成

• 广泛覆盖：支持自然环境、城市场景、生物声音、人类动作及音乐片段。
• 可控时长：适用于影视后期、游戏开发及互动体验中的音效创作。

MOSS-TTS v1.5 重大升级

相较于 1.0 版本，v1.5 在以下方面进行了深度优化：

• 31 种语言支持：

*   保留原有的 20 种语言，新增 **粤语、荷兰语、芬兰语、印地语、马其顿语、马来语、罗马尼亚语、斯瓦希里语、他加禄语、泰语、越南语**。
*   **建议**：构建消息时明确指定 `language` 标签（如 `language="French"`），以获得最佳合成效果。

• 更稳定的语音克隆：

*   提高说话人相似度，减少克隆结果的随机方差，确保重复生成的一致性。
*   优化了“长参考音频 + 短目标文本”场景下的表现，克隆更加可靠。

• 标点驱动韵律与显式停顿：

*   更严格地遵循标点符号引导的停顿，长句呼吸感更自然。
*   **支持内联停顿标记**：例如 `[pause 3.2s]`，可在指定位置插入精确时长的静音，实现戏剧化效果。
*   *示例*：`我今天学习了一首中国的古诗，它的名字是[pause 3.2s]静夜思！`

支持语言列表

MOSS-TTS 系列通过模块化设计，解决了传统 TTS 在复杂性、实时性和表现力上的局限。无论是需要高保真克隆的有声书制作，还是追求极低延迟的实时语音助手，亦或是需要丰富音效的游戏开发，MOSS-TTS 都能提供对应的专业模型。