MOSS-TTSD

MOSS-TTSD TTS

A 7B dialogue model that continues conversations from an audio prompt — up to five speakers and 60 minutes of coherent audio.

Qeyd Et 5,000 karakter həddi

Düzgün idarə üçün mətninizi SSML lentlərinə sarılın:

<speak><prosody rate="slow">Slow speech</prosody></speak>

Seçilmiş modelin anladığı etiketlər - mətninizi mətn daxilində buraxmaq üçün basın:

Bu model sadə mətn oxuyur, buna görə də sətir içi təqvimlər nəzərə alınmır. təqvim əsaslı hisslər üçün Orpheus və ya Bark kimi ifadəli modellərə keçin.

Özəl səsləndirmələri təsvir et (söz = səsləndirmə):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS ilə pulsuz
Yaratdığınız səs burada görünəcək. Bir model seçin, mətni daxil edin və Yarat düyməsini basın.
Audio müvəffəqiyyətlə yaradıldı
0:00
Audio endirilsin Yüklə Körpünün müddəti 24 saat ərzində başa çatır
Free tier: şəxsi istifadə üçün. $5/mo-dan ticarət lisenziyası
TTS.ai-ni sevirsiniz? Dostlarınıza deyin!

Bağlan MOSS-TTSD

MOSS-TTSD v1.0 from OpenMOSS is a 7-billion-parameter dialogue text-to-speech model that continues a conversation from a short audio prompt rather than reading isolated lines. It handles up to five simultaneous speakers via [S1]/[S2]-style tags, zero-shot voice cloning from 3-to-10-second references, and stretches of coherent multi-turn dialogue up to 60 minutes long. It is distinct from the OpenMOSS MOSS-TTS model — the TTSD variant is specialized for podcast, audiobook, and dubbing workflows where long, consistent conversational audio is the goal. Released under Apache 2.0, it needs around 12GB of VRAM given its size.

Ən Yaxşı: Podcasts, audiobooks, dubbed dialogue, conversational content with multiple voices

Hamısını Gəz MOSS-TTSD səslər

Bir baxışda

Yaradıcı
OpenMOSS
Lisenziya
Apache 2.0
Tərcümə
standard
Sür'ət
medium
Sesi təkrarla
Bəli
Dillər
English, Chinese
Max karakterlər
5000

MOSS-TTSD səslər

Default (Chinese)

Chinese
Əsas Neutral

Default Speaker

English
Əsas Neutral

MOSS-TTSD TTS — FAQ

Up to five simultaneous speakers, addressed via speaker tags like [S1] and [S2], with the ability to clone each voice from a short reference clip.

It can produce up to 60 minutes of coherent multi-turn dialogue, which is what makes it suited to full podcast episodes and audiobook chapters rather than short clips.

MOSS-TTSD is a dialogue-specialized variant that continues conversations from an audio prompt and targets podcast, audiobook, and dubbing workflows, whereas the base MOSS-TTS is a general single-voice synthesis model.
← Bütün səslər