本報訊 （記者袁傳璽）近日，SoulAppAI團隊（SoulAILab）正式開源播客語音合成模型SoulX-Podcast。該模型是一款專為多人、多輪對話場景打造的語音生成模型，支持中、英、川、粵等多語種/方言與副語言風(fēng)格，能穩(wěn)定輸出超60分鐘、自然流暢、角色切換準(zhǔn)確、韻律起伏豐富的多輪語音對話。

    除了播客場景以外，SoulX-Podcast在通用語音合成或克隆場景下也表現(xiàn)出色，帶來更真實、更生動的語音體驗。

    流暢自然多輪對話

    多方言、超長播客生成

    在零樣本克隆播客生成場景中，SoulX-Podcast展現(xiàn)出卓越的語音生成能力。它不僅能高度還原參考語音的音色與風(fēng)格，更能根據(jù)對話語境靈活調(diào)節(jié)韻律與節(jié)奏，讓每一段對話都自然流暢、富有節(jié)奏感。無論是多輪長時對話，還是情感層次豐富的交流，SoulX-Podcast都能保持聲音的連貫與表達(dá)的真實。此外，SoulX-Podcast還支持笑聲、清嗓等多種副語言元素的可控生成，讓合成語音更具臨場感與表現(xiàn)力。

    除中英文外，SoulX-Podcast同樣支持四川話、河南話、粵語等多種主流方言。更值得關(guān)注的是，SoulX-Podcast實現(xiàn)了跨方言音色克隆——即便僅提供普通話的參考語音，模型也能靈活生成帶有四川話、河南話、粵語等方言特征的自然語音。同時，SoulX-Podcast可以支持超長播客的生成，并維持穩(wěn)定的音色與風(fēng)格。

    開源新階段

    探索AI+社交更多可能

    在推進(jìn)AI+社交的過程中，智能對話、語音生成、情感化表達(dá)等語音能力是Soul重點布局的方向。此前，平臺端到端全雙工語音通話大模型全面升級，并在站內(nèi)開啟內(nèi)測。新模型賦予AI自主決策對話節(jié)奏的能力，AI可主動打破沉默、適時打斷用戶、邊聽邊說、時間語義感知、并行發(fā)言討論等，實現(xiàn)更接近生活日常的交互對話和“類真人”的情感陪伴體驗。

    同時，團隊推出了自研的語音生成大模型、語音識別大模型、語音對話大模型等語音大模型能力，快速應(yīng)用于“虛擬伴侶”、群聊派對（多人語音互動場景）等多元場景中。

    近來，已有部分開源研究開始探索播客或?qū)υ拡鼍跋碌亩嗾f話人、多輪次語音合成能力。然而，這些工作仍主要聚焦于普通話或英語，對中文受眾廣泛的方言（如粵語、四川話、河南話等）支持不足。此外，在多輪語音對話場景中，恰當(dāng)?shù)母闭Z言表達(dá)——如嘆息、呼吸、笑聲——對提升對話的生動性與自然度至關(guān)重要，但現(xiàn)有模型對此普遍關(guān)注不足。

    而SoulX-Podcast正是希望解決這些痛點：不僅支持多輪、多角色的長對話生成，同時兼顧方言覆蓋和副語言表達(dá)能力，使播客語音更貼近真實交流場景、富有表現(xiàn)力與生動感，從而提升聽眾的沉浸體驗和內(nèi)容傳播力。

    盡管SoulX-Podcast是專為多人、多輪對話場景設(shè)計的系統(tǒng)，但在傳統(tǒng)的單人語音合成與零樣本語音克隆任務(wù)中同樣表現(xiàn)優(yōu)異。在播客生成任務(wù)中，相較于近期相關(guān)工作，SoulX-Podcast在語音可懂度與音色相似度方面均取得了最佳結(jié)果。

    此次SoulX-Podcast的開源，是Soul在開源社區(qū)領(lǐng)域的一次全新嘗試，也是一個新的起點。Soul團隊表示，未來將持續(xù)聚焦語音對話合成、全雙工語音通話、擬人化表達(dá)、視覺交互等核心交互能力的提升，并加速技術(shù)在多樣化應(yīng)用場景與整體生態(tài)中的融合落地，為用戶帶來更加沉浸、智能且富有溫度的交互體驗，持續(xù)提升個體的幸福感與歸屬感。同時，團隊將進(jìn)一步深化開源生態(tài)建設(shè)，與全球開發(fā)者攜手，共同拓展AI語音等前沿能力的邊界，探索“AI+社交”的更多可能。

（編輯 郭之宸）