MOSS-TTSD
最新音声生成MOSS-TTSD（text to spoken dialogue）は、オープンソースの口語対話合成モデルで、2人の話者を含む対話スクリプトを自然で表現力豊かな対話音声に変換できます。MOSS-TTSDは2話者のゼロショットボイスクローンと長時間の単一セグメント音声生成に対応しており、ポッドキャスト、インタビュー、チャットなどの対話シーンに非常に適しています。
ENDPOINT
POST /v1/audio/speech/speakers
現在の呼び出しパス
入力
テキスト
リクエストで受け付ける内容
出力
音声
成功時に返される内容
モデル概要
複数話者の対話音声合成モデル。デフォルトでは安定版モデルIDのmoss-ttsd-1.0を使用します。固定バージョンを再現する場合は、modelにmoss-ttsd-1.0-2026-03-20を指定できます。
料金
課金方式CNY価格実際の消費
入力文字数ベース
CNY 2.00 / 1万文字40クレジット / 1万文字1回の呼び出しごとに実際の使用量で計算されます。CNYの金額は価格を把握するためのもので、最終的にはクレジットの請求明細に準じます。 料金基準の一覧を見る
対応モダリティ
文テキスト入力のみ
音音声出力のみ
画画像非対応
動動画非対応
対応エンドポイント
単一話者の音声生成
/v1/audio/speech非対応複数話者の対話音声生成
/v1/audio/speech/speakers対応音声文字起こし
/v1/audio/transcriptions非対応ボイスデザイン
/v1/audio/voice/generations非対応マルチモーダル理解
/v1/responses非対応リアルタイム動画理解
/v1/realtime非対応画像生成
/v1/images/generations非対応機能
性能高
推論速度中
ストリーミング 非対応
非同期 対応
- 最大出力長—40分の音声
- ゼロショット2話者クローン
バージョンとスナップショット
Model ID
moss-ttsd-1.0スナップショット
moss-ttsd-1.0-2026-03-20最新バージョン