近日，soul app ai团队（soul ai lab）正式对外开源其最新研发的播客语音合成模型——soulx-podcast。该模型专为多人、多轮对话场景设计，支持中文、英文、四川话、粤语等多种语言与方言，并具备丰富的副语言表达能力，可稳定生成超过60分钟自然流畅、角色切换精准、韵律变化生动的长时语音内容。
除了在播客创作中表现出色，SoulX-Podcast在通用语音合成和声音克隆等应用场景下同样展现出卓越性能，带来更加真实且富有表现力的听觉体验。
SoulX-Podcast表现
SoulX-Podcast核心优势：自然多轮交互、多方言支持、超长音频生成。
- 零样本语音克隆下的多轮对话生成
在无需微调的零样本条件下，SoulX-Podcast展现出强大的语音还原与情境适应能力。它不仅能精准复现参考语音的音色特征，还能根据对话上下文智能调整语调、节奏与情感表达，使多轮对话语气连贯、节奏自然。
无论是长时间连续对话，还是包含复杂情绪变化的交流场景，模型均能保持高度一致的声音品质。同时，SoulX-Podcast支持笑声、咳嗽、停顿、清嗓等副语言行为的可控生成，显著提升语音的真实感与临场氛围。
- 多语种与跨方言语音克隆
除普通话和英语外，SoulX-Podcast还支持四川话、河南话、粤语等多种地方方言的语音生成。更进一步地，模型实现了跨方言音色迁移：即使输入的参考音频仅为普通话，也能成功生成具有地道方言特色的语音输出，如川味口音或粤语腔调，且音色一致性高，过渡自然。
- 支持超长播客内容生成
SoulX-Podcast针对长时语音生成进行了专项优化，能够在长达一小时以上的音频输出中维持稳定的音质、音色与情感表达，有效避免传统模型常见的音色漂移、节奏紊乱等问题，满足专业级播客制作需求。
SoulX-Podcast整体模型架构如下图所示：
SoulX-Podcast开源资源链接
