MOSS TTSD 双人对话合成（moss-ttsd）是一款专为多说话人语音合成设计的工具，能够将多个角色的对话文本实时合成为一段自然流畅的连续音频。该工具的核心能力在于支持最多5个说话人之间的交替对话，通过 `[S1]`~`[S5]` 标签精准控制每位说话人的发言顺序与内容，实现类似真实多人交谈的语音效果。目前版本主要面向中英文双语场景，适用于需要生成角色对话、播客访谈、有声书旁白或游戏对白等复杂语音内容的开发者与创作者。其底层基于先进的语音合成模型，结合声学建模与韵律预测技术，确保不同说话人声音在切换时保持自然过渡，避免生硬断裂。整个系统通过命令行接口调用，集成于 MOSI Studio 技能生态中，支持自定义音色克隆与公有音色库灵活搭配，满足不同风格需求。
核心功能特点
- 支持1至5个说话人同时参与对话合成，使用[S1]~[S5]标签精准标记发言者
- 自动处理多说话人语音交替，输出单段连续WAV音频，无停顿或重叠
- 兼容公有音色库及用户自定义克隆音色，提供丰富声线选择
- 支持长文本输入（最长约60分钟音频），可通过参数调节防止截断
- 命令行操作，集成于MOSI Studio框架，便于自动化流程接入
适用场景
MOSS TTSD 特别适用于需要模拟真实多人互动场景的语音生成任务。例如，在游戏开发中用于制作NPC之间的自然对话，使玩家沉浸感显著提升；在在线教育领域，可用于创建师生问答类课程音频，增强学习体验的真实性。此外，该工具也广泛应用于有声读物创作，尤其是包含多个叙述角色的故事讲述，如儿童绘本配音或广播剧制作。对于企业培训材料而言，它能高效生成客服与客户、面试官与候选人等不同角色间的对话范例，降低内容制作成本。由于支持中英文双语且具备灵活的说话人数量控制，MOSS TTSD 同样适合跨国团队协作项目中的多语言语音内容生产。无论是短对话片段还是长达数十分钟的连续对白，该工具都能稳定输出高质量、低延迟的合成结果。