SoulX-Podcast是由 Soul AI Lab 开源的一个面向播客场景的高质量、长篇、多说话人对话式语音合成（TTS）系统，专为生成自然、富有表现力、支持方言与副语言特征的播客音频而设计。
🔍 项目核心特点
1. 长篇多轮多说话人对话生成
支持生成多人交替对话的播客内容（如主持人 + 嘉宾）；
能处理长文本输入，保持语音连贯性和角色一致性；
适用于访谈、对谈类播客场景。
2. 跨方言零样本语音克隆（Zero-shot Voice Cloning）
仅需一段普通话参考音频，即可生成多种中文方言的语音，包括：
四川话（Sichuanese）
河南话（Henanese）
粤语（Cantonese / Yue）
无需目标方言的说话人数据，实现真正的跨方言零样本迁移。
3. 副语言控制（Paralinguistic Controls）
支持在文本中插入特殊标记，控制非语言发声行为，例如：
<|laughter|>：笑声<|sigh|>：叹气极大提升语音的自然度与情感表现力，贴近真实人类对话。
4. 双语支持
同时支持 中文（普通话 + 方言） 和 英文 的播客生成。
5. 高性能基础模型
提供 1.7B 参数规模 的预训练模型：
SoulX-Podcast-1.7B：普通话/英文基础版SoulX-Podcast-1.7B-dialect：支持方言的增强版
🧪 技术亮点
基于 FlashCosyVoice 架构改进；
支持 Hugging Face 模型下载、vLLM 加速推理（未来计划）；
提供命令行脚本、JSON 格式输入、示例音频；
开源协议：Apache 2.0（允许学术与商业使用，需遵守伦理规范）。
⚠️ 使用伦理声明
项目明确强调：
❌ 禁止用于：未经授权的语音克隆、身份冒充、诈骗、深度伪造（deepfake）等非法用途；
✅ 鼓励用于：个性化语音合成、无障碍辅助技术、语言学研究、教育等合法场景；
开发者不承担滥用责任，倡导负责任的 AI 使用。
💡 适用场景
AI 播客自动生成
虚拟主播对话合成
方言保护与语音存档
无障碍阅读（为视障用户提供对话式内容）
游戏/NPC 多角色语音生成
该项目代表了当前对话式 TTS 领域的前沿水平，尤其在自然度、方言支持、副语言建模方面具有显著优势，是学术研究与工业应用的理想选择。
默认示例生成的音频
整合包说明
1 基于SoulX-Podcast二次开发，增加了gradio界面
2 最低英伟达8G显卡就可以运行，支持50系显卡
3 下一版会提供更多的音频参考，以及自定义音频
4 因为是第一个版所以有些简陋，后续会继续开发
20251031 更新记录
1 增加了自定义参考音频。
2 在audio放了46个参考音频，请勿用于商用，后果自负
3 增加一个官方原版webui。修正一个小bug
如果点击启动官方出错，下载这2个文件覆盖 启动官方原版 - 方言模型.bat和 启动官方原版.bat
20251101 更新记录
1 修正一些小BUG
2 增加语气标签，生成的语音更像人了
3 升级到了官方最新版，并保留了官方原版启动
20251103 更新记录
1 修正目前发现的所有bug。
2 部分语气标签无效，需要官方后续更新版本了。就暂时保留了
每天都在回复基础的电脑操作，实在是厌倦了，暂关闭留言，如果不信请去留言页面查看。
如果需要技术交流，进Q群交流
