MOSS Voice Generator 是一款创新的指令式音色生成工具，它颠覆了传统文本转语音（TTS）依赖预设音色的模式。用户无需从固定列表中挑选 voice_id，而是可以直接用自然语言描述理想中的声音风格，模型便会实时合成符合描述的全新音色。这种基于文字指令的生成方式极大提升了音色定制的灵活性和创造性，特别适合需要快速探索多样化声音表达的场景。
该工具的核心优势在于其高度自由的描述能力。无论是中文还是英文，用户都可以自由组合性别、年龄、情绪、语速、场景等多个维度来精准刻画目标音色。例如，可以要求‘播音腔女声，专业、清晰、有亲和力’，也可以设定‘年轻有活力的男声，热情开朗，像综艺主持人’。描述越具体，生成的效果就越接近预期。此外，通过调节采样参数如 temperature，用户还能在随机性与稳定性之间找到平衡，满足不同的使用需求。
与传统的 TTS 工具相比，MOSS Voice Generator 更适合一次性生成或探索新音色，而非常规品牌声音的稳定输出。虽然每次生成的音色可能存在轻微差异，但这正是其创造性的体现。对于追求稳定一致音色的用户，建议先用此工具找到满意的风格，再借助声音克隆功能固化为固定的 voice_id。
核心功能特点
- 无需预设音色，直接用自然语言描述想要的音色风格
- 支持中英文混合描述，可指定性别、年龄、情绪、语速等多维度特征
- 实时生成全新音色，灵活性强于传统TTS工具
- 可调节temperature等参数控制生成结果的随机性
- 输出为标准WAV格式音频文件（24kHz采样率）
- 可与现有mosi-tts生态集成，支持飞书等平台语音气泡发送
适用场景
MOSS Voice Generator 特别适合那些需要快速生成多样化声音且对音色有个性化要求的创作场景。例如，短视频创作者可以为不同角色快速定制专属配音，只需简单描述‘甜美可爱的女声’或‘低沉磁性的男声’即可立即获得匹配的声音效果。广告文案人员也能利用该工具为不同产品推荐语生成富有感染力的旁白，提升宣传内容的吸引力。
在教育领域，教师或课程制作者可以通过描述‘温柔知性的女声，语速缓慢，像在讲故事’来制作更具亲和力的教学音频内容。播客主播则能轻松尝试各种风格的解说声音，找到最适合节目调性的表现方式。此外，游戏开发者在设计NPC对话时，也可使用此工具为不同性格的角色生成独特的语音特质。
需要注意的是，由于每次生成可能存在细微差异，MOSS Voice Generator 更适用于创意探索阶段而非需要完全一致的正式录制。若项目最终需要稳定的品牌声音，建议先在此工具中确定满意风格后，再通过声音克隆功能将其固化为固定的voice_id进行后续使用。