引言
随着音频内容生态的蓬勃发展，播客作为一种沉浸式的信息传递形式，对自然、生动的多轮对话语音生成需求日益迫切。传统语音合成技术在长文本、多角色交互及方言多样性上存在局限，而SoulX-Podcast的出现，正是为了突破这些瓶颈——它不仅能生成高质量的播客风格对话语音，还在独白式文本转语音（TTS）任务中表现优异，为音频内容创作带来了新可能。
项目简介
SoulX-Podcast是一款专注于播客风格多轮、多 speaker 对话语音生成的工具，同时兼容传统独白式TTS任务。其核心目标是满足多轮口语对话对自然度的高要求，为此整合了丰富的副语言控制能力，并支持跨语言与方言场景——包括普通话、英语，以及四川话、河南话、粤语等多种汉语方言，让个性化播客生成更具真实感与多样性。
该项目已开源模型权重与推理代码，提供了在线Demo、WebUI等便捷工具，用户可通过Hugging Face获取模型，或直接运行本地脚本体验其功能。
核心优势与创新点
SoulX-Podcast的竞争力体现在三大核心能力上：
长文本多轮多角色对话生成：针对播客场景优化，能流畅生成多轮交互的对话语音，解决长文本断裂、角色切换生硬等问题，自然度远超传统TTS。
跨方言零样本语音克隆：支持基于普通话参考音频，零样本生成四川话、河南话等方言的个性化语音，打破方言语音合成对特定语料的依赖。
精细化副语言控制：通过<|laughter|>（笑声）、<|sigh|>（叹息）、<|breathing|>（呼吸声）等标签，精准植入副语言事件，让合成语音更贴近真实对话场景，增强情感表现力。
性能上，其在自然度、多样性等维度的综合表现已通过测评验证，适合作为专业播客创作、方言保护等场景的技术基础。
技术实现与部署指南
环境与安装
项目支持Linux系统，通过以下步骤快速部署：
- 克隆仓库并创建虚拟环境：
gitclone git@github.com:Soul-AILab/SoulX-Podcast.gitcdSoulX-Podcast conda create -n soulxpodcast -ypython=3.11conda activate soulxpodcast pipinstall-r requirements.txt# 国内用户可添加阿里云镜像加速- 模型下载：提供三种方式获取预训练模型（基础模型与方言模型），包括Hugging Face CLI、Python脚本或Git LFS克隆，例如：
huggingface-cli download --resume-download Soul-AILab/SoulX-Podcast-1.7B --local-dir pretrained_models/SoulX-Podcast-1.7B快速使用
- 对话推理：运行示例脚本直接生成对话语音：
bashexample/infer_dialogue.sh- WebUI交互：启动可视化界面，直观调整参数生成语音：
# 基础模型python3 webui.py --model_path pretrained_models/SoulX-Podcast-1.7B# 方言模型python3 webui.py --model_path pretrained_models/SoulX-Podcast-1.7B-dialect进阶加速
支持VLLM加速部署，通过Docker构建镜像并运行，提升推理效率：
cdruntime/vllmdockerbuild -t soulxpodcast:v1.0.dockerrun -it --runtime=nvidia --name soulxpodcast -v 本地路径:容器路径 soulxpodcast:v1.0该项目及相关内容已在AladdinEdu课题广场同步发布，欢迎前往了解更多技术实现与资源。
项目地址：AladdinEdu课题广场
