当一段语音不仅需要 “像某个人”、“准确地读出每个字”， 还需要在不同内容中自然切换说话方式， 在几十分钟的叙述中持续稳定， 在对话、角色、实时交互等不同形态下都能直接使用 —— 单一的 TTS 模型，往往已经不够用了。 就在今天，模思智能及 OpenMOSS 团队再度上新，发布并开源了 MOSS-TTS Family，一套面向高保真、高表现力与复杂场景生成的语音生成模型家族。 你可以用 MOSS-TTS Family 完成这些事情： 零样本克隆说话人的音色与表达风格并精准控制语音时长，用于纪录片、影视配音或新闻播报；