MOSS-TTSD ТТС
A 7B dialogue model that continues conversations from an audio prompt — up to five speakers and 60 minutes of coherent audio.
Текстти SSML тегдерине өткөрүп берүү:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Белгилер, тандалган модель түшүнөт — текстке бирин коюу үчүн, аны чыкылдатыңыз:
Бул модель жөнөкөй текстти окуйт, ошондуктан тексттеги тегдер эске алынбайт. Тегдер менен эмоцияларды жаратууда Orpheus же Bark сыяктуу экспрессивдүү моделдерге өтүү керек.
Өзгөчө сүйлөмдөрдү аныктоо (сөз = сүйлөм):
Маалымат 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.
Эң жакшысы: Podcasts, audiobooks, dubbed dialogue, conversational content with multiple voices
Баарын кароо MOSS-TTSD үнБир көз салуу
- Жазуучу
- OpenMOSS
- Лицензия
- Apache 2.0
- Тигр
- standard
- Жылдамдыгы
- medium
- Сөздү клондоо
- Ооба
- Тилдер
- English, Chinese
- Макс. символдор
- 5000