MOSS-VoiceGenerator

我们推出 MOSS-VoiceGenerator——一个开源的声音生成系统，能够根据自由文本描述直接生成说话人音色，使用户能够为特定角色、性格与情感定制专属声音。系统具备极为自然的情绪表现力，生成的语音具有高度的自然性，仿佛由真人发声，可广泛应用于有声读物、游戏配音、角色扮演智能体和对话助手等多个领域。此外，它还可以作为其他TTS系统的声音设计层，解决参考音频难以获得的问题，提升集成的便利性和效果。

该模型与 MOSS-TTS 共享相同的架构。

查看架构

MOSS-VoiceGenerator 采用统一的多模态LM架构，将声音描述指令与待合成文本拼接后统一进行文本编码，作为模型输入驱动语音生成，实现音色设计、风格控制与内容合成的联合建模。模型通过指令-音色对齐学习文本描述与声学特征的对应关系，从而在无需参考音频的条件下，直接根据自由文本提示生成具有目标音色、情感与风格的高保真语音输出。

MOSS-VoiceGenerator 在主观评测中表现出显著优势。在160条涵盖多种音色风格的内部测试数据中，我们设置了三个独立的评测维度：（1）总体表现（Overall Preference）——假如你是用户，你会选择哪个声音？（2）指令遵循（Instruction Following）——哪条生成的音频更好地遵循了指令？指令可能涉及性别、年龄、声音质感、情绪、口音、语速等细节；（3）自然度（Naturalness）——哪条生成的音频最接近真实的人类语音？结果显示，MOSS-VoiceGenerator 在这三个维度上均优于所有支持无预定义音色及自定义预览文本的TTS系统。