近日,Soul App AI團隊(Soul AI Lab)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/方言與副語言風格,能穩定輸出超60分鐘、自然流暢、角色切換準確、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出色,帶來更真實、更生動的語音體驗。
SoulX-Podcast表現
Demo Page: https://soul-ailab.github.io/soulx-podcast
Technical Report: https://arxiv.org/pdf/2510.23541
Source Code: https://github.com/Soul-AILab/SoulX-Podcast
HuggingFace: https://huggingface.co/collections/Soul-AILab/soulx-podcast
SoulX-Podcast亮點:流暢自然多輪對話、多方言、超長播客生成
零樣本克隆的多輪對話能力
在零樣本克隆播客生成場景中,SoulX-Podcast 展現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格,更能根據對話語境靈活調節韻律與節奏,讓每一段對話都自然流暢、富有節奏感。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力。
多語種和跨方言的克隆能力
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。更值得關注的是,SoulX-Podcast 實現了跨方言音色克隆——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。
超長播客生成
SoulX-Podcast可以支持超長播客的生成,并維持穩定的音色與風格。
聚焦語音,AI重構情感紐帶
一直以來,聲音都是傳遞信息和情感的重要媒介,也最能在溝通中賦予“情緒溫度”和“陪伴感”。在Soul,用戶積極通過語音實時互動,表達自我、分享交流,收獲新關系,語音成為用戶構建鏈接的“情感紐帶”,“語音社交”也成為平臺頗具代表性的標簽之一。
在推進AI+社交的過程中,智能對話、語音生成、情感化表達等語音能力是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,并在站內開啟內測。新模型賦予 AI 自主決策對話節奏的能力,AI可主動打破沉默、適時打斷用戶、邊聽邊說、時間語義感知、并行發言討論等,實現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,快速應用于“虛擬伴侶”、 群聊派對(多人語音互動場景)等多元場景中。
例如,9月,Soul 的兩位虛擬人——孟知時與嶼你——在群聊派對中發起了一場持續約40分鐘的對話,在沒有任何額外投流、僅依靠虛擬人自身自然流量的情況下,這場活動迅速引爆社區,房間互動熱度刷新平臺紀錄,受到了廣大用戶的熱烈歡迎。
這一成功案例讓 Soul 的 AI 技術與虛擬IP運營團隊深刻意識到:“虛擬IP + AI語音對話” 正在成為虛擬內容生態的重要增長點。它不僅展現了虛擬人的人格魅力與表達張力,更揭示了 AI 在內容創作與社交互動中的全新潛能。
然而,當時業界能夠穩定支持多輪自然對話的開源播客生成模型相對較少,并且當場景從單人獨白擴展到多人對話與長篇播客時,也普遍面臨一些問題。為此,Soul 團隊決定開源 SoulX-Podcast, 希望能攜手 AIGC 社區,共同探索 AI 語音在內容創作、社交表達與虛擬生態中的更多可能。
開源新階段,探索AI+社交更多可能
相比傳統的單說話人語音合成系統,播客語音合成系統不僅需要保持文本與語音的精準一致,還要具備更強的上下文理解能力,以實現多輪對話間語音銜接的自然流暢與節奏的動態變化。此外,面對多角色交互和超長對話場景,系統還需在音色一致性、風格延續性以及角色切換的準確性上實現更高水平的控制與建模。
近來,已有部分開源研究開始探索播客或對話場景下的多說話人、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,恰當的副語言表達——如嘆息、呼吸、笑聲——對提升對話的生動性與自然度至關重要,但現有模型對此普遍關注不足。
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能力,使播客語音更貼近真實交流場景、富有表現力與生動感,從而提升聽眾的沉浸體驗和內容傳播力。
整體SoulX-Podcast模型基礎結構上采用了常用的LLM + Flow Matching的語音生成范式,前者建模語義token,后者進一步建模聲學特征。在基于LLM的語義token建模方面,SoulX-Podcast 以 Qwen3-1.7B 作為基座模型,并基于原始文本模型參數進行初始化,以充分繼承其語言理解能力。
盡管SoulX-Podcast是專為多人、多輪對話場景設計的系統,但在傳統的單人語音合成與零樣本語音克隆任務中同樣表現優異。在播客生成任務中,相較于近期相關工作,SoulX-Podcast 在語音可懂度與音色相似度方面均取得了最佳結果。
SoulX-Podcast在播客場景下的表現
SoulX-Podcast在通用TTS上的表現,*官方模型的復現結果
此次 SoulX-Podcast 的開源,是 Soul 在開源社區領域的一次全新嘗試,也是一個新的起點。 Soul團隊表示,未來將持續聚焦語音對話合成、全雙工語音通話、擬人化表達、視覺交互等核心交互能力的提升,并加速技術在多樣化應用場景與整體生態中的融合落地,為用戶帶來更加沉浸、智能且富有溫度的交互體驗,持續提升個體的幸福感與歸屬感。同時,團隊將進一步深化開源生態建設,與全球開發者攜手,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。
