ليکنه وينا ته استازي موسیقي غږيز ليکنه غږ نقلول غږ سازونه بازار نور
کړاو راپورول / د ځانتيا غوښتنه
MOSS-TTSD

MOSS-TTSD ټي ټي اېس

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

0/500 لوښه · د هر نسل لپاره د 5,000 لپاره نوم لیکنه وکړئ →
ننوتل د 5,000 لوښه حد

د دقیق کنټرول لپاره په SSML نښانونو خپل متن واچوئ:

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

توري د ټاکل شوي ماډل پوهیږي - کلیک وکړئ چې ستاسو په متن کې یو راښکته کړئ چیرې چې دا پیښیږي:

دا ماډل لوستل ساده متن، نو inline نښانونه په پام کې نه نيول کيږي. د نښان پر بنسټ احساس، د يو څرګند ماډل لکه Orpheus يا Bark بدل.

دوديزه لوستنه پېژندل (ويې = لوستنه):

-12 +12
0.5x 2.0x
د پيپر، VITS، MeloTTS سره وړيا
ستاسو توليد شوي غږيز به دلته ښکاره شي. يو ماډل وټاکئ، ليکنه وليکﺉ، او توليد کېکاږﺉ.
غږ په برياليتوب سره جوړ شو
0:00
غږيز رالېښنې .srt ډاونلوډ تړنه په 24h کې پای ته رسیږي
وړیا طبقه: شخصي کارولو. د $ 5 / mo څخه سوداګریز جواز
TTS.ai مینه؟ خپل ملګرو ته ووایاست!

په اړه 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.

غوره د: Podcasts, audiobooks, dubbed dialogue, conversational content with multiple voices

ټول لټول MOSS-TTSD غږونه

په يوه کتنه کې

جوړوونکی
OpenMOSS
منښتليک
Apache 2.0
:د پاڼې نوم
standard
چټکتيا
medium
غږ کلونول
هو
ژبې
English, Chinese
ټولوجګه لوښه
5000

MOSS-TTSD غږونه

Default (Chinese)

Chinese
تلواله Neutral

Default Speaker

English
تلواله Neutral

MOSS-TTSD د پوښتنو ځوابول

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.
← ټول غږونه