SoulX-Podcast - Soul AI Lab开源的对话式语音合成模型

SoulX-Podcast是什么

SoulX-Podcast 是 Soul AI Lab 开源的先进多说话者对话式语音合成模型，专为生成高质量播客内容设计。具备多轮对话生成能力，能模拟真实播客场景中的流畅对话，支持普通话、英语及多种中文方言，如四川话、河南话和粤语，支持跨方言零样本语音克隆，可依据单一音频提示生成不同方言语音。模型融入副语言控制功能，可生成笑声、叹息等非语言元素，增强语音自然度。在长格式对话生成中，SoulX-Podcast 能保持稳定的音色和自然的韵律变化，生成长达 90 分钟的连贯对话。

SoulX-Podcast的功能特色

• 多说话者对话生成：能生成长达 90 分钟的多说话者对话，保持音色稳定和自然韵律变化，适合播客等多轮对话场景。
• 多语言和方言支持：支持普通话、英语以及多种中文方言（如四川话、河南话、粤语等），并具备跨方言语音克隆功能。
• 副语言控制：可以生成笑声、叹息、呼吸声等副语言元素，增强合成语音的自然度和真实感。
• 长格式对话连贯性：通过上下文正则化机制，确保长格式对话的连贯性和情感连续性。
• 零样本文本到语音合成：能在没有目标说话者语音样本的情况下，生成高质量的个性化语音。
• 高性能语音合成：在传统单人语音合成任务中也表现出色，达到行业领先水平。
• 开源与易用性：提供开源代码和详细的安装指南，方便开发者使用和扩展。

SoulX-Podcast的核心优势

• 多说话者对话生成：能生成自然流畅的多轮对话，适合播客等多说话者场景。
• 多语言和方言支持：支持普通话、英语及多种中文方言，具备跨方言语音克隆能力。
• 副语言控制：支持生成笑声、叹息等副语言元素，提升语音自然度。
• 长格式对话连贯性：可生成长达90分钟的连贯对话，保持稳定的音色和韵律变化。
• 零样本文本到语音合成：无需目标说话者语音样本，即可生成个性化语音。
• 高性能与高质量：在传统单人语音合成任务中表现卓越，达到行业领先水平。

SoulX-Podcast官网是什么

• 项目官网：https://soul-ailab.github.io/soulx-podcast/
• GitHub仓库：https://github.com/Soul-AILab/SoulX-Podcast
• HuggingFace模型库：https://huggingface.co/collections/Soul-AILab/soulx-podcast
• arXiv技术论文：https://arxiv.org/pdf/2510.23541

SoulX-Podcast的适用人群

• 播客创作者：能生成高质量的多说话者对话内容，适合制作播客节目。
• 内容创作者：可用于生成有声内容，如音频故事、虚拟访谈等。
• 虚拟助手开发者：支持多语言和方言，可为虚拟助手提供自然流畅的语音交互。
• 语言研究者：支持多种语言和方言，可用于语言学研究和方言保护项目。
• 教育工作者：可用于制作教育音频内容，支持多语言教学和语言学习。
• 娱乐产业从业者：可用于生成虚拟角色的语音，适用于游戏、动画等领域。