2月10日，由上海創(chuàng)智學院孵化的模思智能及OpenMOSS團隊正式發(fā)布并開源了MOSS-TTS Family。模型發(fā)布后，壁仞科技（06082.HK）旗艦產(chǎn)品壁礪 166M率先完成其中語音生成基座MOSS-TTS模型的高性能推理部署。作為國內(nèi)領(lǐng)軍的通用GPU芯片企業(yè)，壁仞科技成為首家完成MOSS-TTS模型適配的國產(chǎn)算力廠商。

這一成果充分顯示了壁礪 166M的強大通用性和全自研BIRENSUPA軟件棧的成熟度。壁仞科技軟硬一體解決方案可高效支持開發(fā)者適配新模型，顯著降低適配成本，為客戶日新月異的AI創(chuàng)新業(yè)務提供堅實的算力底座。

MOSS TTS模型在壁礪166M服務器上基于vLLM框架進行推理的演示

壁礪166 M為數(shù)據(jù)中心大算力訓推一體芯片，產(chǎn)品形態(tài)為4U OAM V1.1風冷模組，可滿足萬億參數(shù)模型需求，并廣泛應用于大語言模型、多模態(tài)AIGC、圖像與語音、推薦系統(tǒng)等。

MOSS-TTS Family是一套面向相高保真、高表現(xiàn)力與復雜場景生成的語音生成模型家族。它包含五個核心成員，共同構(gòu)成了一個覆蓋“穩(wěn)定生成、靈活設計、復雜對話、情境補全、實時交互”的聲音創(chuàng)作生態(tài)閉環(huán)。

MOSS-TTS：高保真、高表現(xiàn)力的語音生成基座，多語言、長音頻、精確時長控制；

MOSS-TTSD：全面更新1.0版本，面向真實對話場景的多說話人語音合成，不僅播客，支持更多復雜對話場景；

MOSS-VoiceGenerator：復雜文本指令跟隨、用于音色與角色設計；

MOSS-SoundEffect：環(huán)境音與音效生成模型；

MOSS-TTS-Realtime：面向?qū)崟r交互的實時流式 TTS 模型；

MOSS-TTS Family是一整套可以使得用戶直接進入創(chuàng)作流程、產(chǎn)品系統(tǒng)與交互場景的聲音生產(chǎn)工具鏈。你可以用同一套模型體系完成以下任務：

克隆一個說話人的音色與表達風格，用于紀錄片、講解或新聞播報；

生成具備真實節(jié)奏的雙人或多人對話，用于播客、綜藝或解說；

通過指令設計帶有情緒與表演狀態(tài)的角色聲音；

為內(nèi)容補全環(huán)境音與音效；

以及在實時系統(tǒng)中，以流式方式持續(xù)輸出自然語音。

壁仞科技選取了2個音色文件，分別基于2段臺詞合成了對應的音頻，達到了良好的展示效果：

壁仞科技本次適配的MOSS-TTS模型為高表現(xiàn)力語音生成基座，是整個MOSS-TTS Family的基礎(chǔ)模型，也是所有聲音能力得以成立的前提。它的核心目標是在真實內(nèi)容與復雜場景中，穩(wěn)定地復現(xiàn)一個說話者的聲音特征、表達方式與語言習慣，并穩(wěn)定地生成長語音片段。 此次，壁仞科技與模思智能的軟硬協(xié)同，大幅降低各行業(yè)的應用門檻，讓中小制作團隊、內(nèi)容創(chuàng)作者也能便捷使用高表現(xiàn)力的語音生成技術(shù)，未來將充分釋放語音內(nèi)容創(chuàng)作的生產(chǎn)力，進一步拓展了語音合成技術(shù)在內(nèi)容創(chuàng)作領(lǐng)域的應用邊界。