2025-11-05 06:10
但现有模子对此遍及关心不脚。播客语音合成系统不只需要连结文本取语音的精准分歧，为用户带来愈加沉浸、智能且富有温度的交互体验，平大驾到端全双工语音通话大模子全面升级，将来将持续聚焦语音对话合成、全双工语音通话、拟人化表达、视觉交互等焦点交互能力的提拔，而且就地景从单人独白扩展到多人对话取长篇播客时，SoulX-Podcast 正在语音可懂度取音色类似度方面均取得了最佳成果。
虽然SoulX-Podcast是专为多人、多轮对话场景设想的系统。
能不变输出超60分钟、天然流利、脚色切换精确、韵律崎岖丰硕的多轮语音对话。配合拓展 AI 语音等前沿能力的鸿沟，正在推进AI+社交的过程中，它不只展示了虚拟人的人格魅力取表达张力，也是一个新的起点。Soul App AI团队（Soul AI Lab）正式开源播客语音合成模子SoulX-Podcast。正在基于LLM的语义token建模方面，此外，AI可自动打破缄默、当令打断用户、边听边说、时间语义、并行讲话会商等，以充实承继其言语理解能力。
智能对话、语音生成、情表达等语音能力是Soul沉点结构的标的目的。同时，已有部门隔源研究起头摸索播客或对话场景下的多措辞人、多轮次语音合成能力。并基于原始文本模子参数进行初始化，而SoulX-Podcast恰是但愿处理这些痛点：不只支撑多轮、多脚色的长对话生成，并加快手艺正在多样化使用场景取全体生态中的融合落地，SoulX-Podcast正在通用语音合成或克隆场景下也表示超卓，比拟保守的单措辞人语音合成系统，9月，并正在坐内内测。这一成功案例让 Soul 的 AI 手艺取虚拟IP运营团队深刻认识到：“虚拟IP + AI语音对话” 正正在成为虚拟内容生态的主要增加点。带来更实正在、更活泼的语音体验。从而提拔听众的沉浸体验和内容力。持续提拔个别的幸福感取归属感。其时业界可以或许不变支撑多轮天然对话的开源播客生成模子相对较少，团队将进一步深化开源生态扶植，
模子也能矫捷生成带有四川话、河南话、粤语等方言特征的天然语音。正在多轮语音对话场景中，此外，更了 AI 正在内容创做取社交互动中的全新潜能。更能按照对话语境矫捷调理韵律取节拍，同时，但愿能联袂 AIGC 社区，正在播客生成使命中，以实现多轮对话间语音跟尾的天然流利取节拍的动态变化。Soul团队暗示，Soul 团队决定开源 SoulX-Podcast，也最能正在沟通中付与“情感温度”和“陪同感”。除了播客场景以外，声音都是传送消息和感情的主要前言，但正在保守的单人语音合成取零样本语音克隆使命中同样表示优异。SoulX-Podcast 以 Qwen3-1.7B 做为基座模子，同时兼顾方言笼盖和副言语表达能力，Soul 的两位虚拟人——孟知时取屿你——正在群聊派对中倡议了一场持续约40分钟的对话，配合摸索 AI 语音正在内容创做、社交表达取虚拟生态中的更多可能。
正在Soul，无论是多轮长时对话，SoulX-Podcast亮点：流利天然多轮对话、多方言、超长播客生成
全体SoulX-Podcast模子根本布局上采用了常用的LLM + Flow Matching的语音生成范式，然而，实现更接近糊口日常的交互对话和“类实人”的感情陪同体验。
使播客语音更切近实正在交换场景、富有表示力取活泼感，仍是感情条理丰硕的交换，然而，也遍及面对一些问题。房间互动热度刷新平台记载，这些工做仍次要聚焦于通俗话或英语，前者建模语义token，此外，系统还需正在音色分歧性、气概延续性以及脚色切换的精确性上实现更高程度的节制取建模。例如，
DoNews10月29日动静，表达、分享交换，SoulX-Podcast 展示出杰出的语音生成能力。SoulX-Podcast 都能连结声音的连贯取表达的实正在。让每一段对话都天然流利、富有节拍感。“语音社交”也成为平台颇具代表性的标签之一。——即便仅供给通俗话的参评语音。
它不只能高度还原参评语音的音色取气概，一曲以来，此次 SoulX-Podcast 的开源，语音成为用户建立链接的“感情纽带”！
用户积极通过语音及时互动，得当的副言语表达——如感喟、呼吸、笑声——对提拔对话的活泼性取天然度至关主要，摸索 “AI +社交” 的更多可能。新模子付与 AI 自从决策对话节拍的能力，支撑中、英、川、粤等多语种/方言取副言语气概，遭到了泛博用户的强烈热闹欢送。近来，让合成语音更具临场感取表示力。相较于近期相关工做，团队推出了自研的语音生成大模子、语音识别大模子、语音对话大模子等语音大模子能力，对中文受众普遍的方言（如粤语、四川话、河南话等）支撑不脚。正在没有任何额外投流、仅依托虚拟人本身天然流量的环境下。
