MoonCast – 开源零样本语音合成技术，革新播客内容创作

MoonCast 是一款开源的对话式语音合成模型，专为高质量播客内容创作量身打造，能够通过几秒人声样本生成自然的中英双语 AI 播客。它旨在将文档转化为引人入胜的播客音频，解决了传统语音合成技术在播客场景中的“机械味”问题，使 AI 播客更接近真人播音效果。

核心功能

MoonCast 的主要功能包括：

• 长音频生成：采用基于长上下文语言模型的音频建模方法，能够生成几分钟长的播客音频，支持中文和英文。
• 增强自然性：通过播客生成模块生成具有自然细节的脚本，如填充词、响应词和随机卡顿等，使对话更自然真实。
• 零样本语音合成：仅需数秒参考音频，即可合成逼真的语音，无需大量训练数据。
• 多语言支持：支持中英双语播客生成，满足不同用户的需求。
• 剧本自动生成：利用大型语言模型提炼信息生成摘要，并创作出具有“人味”的播客剧本。

技术原理

MoonCast 的技术原理包括：

• 多阶段训练：训练过程分为三个阶段，从短句和单人语音生成，到处理非口语化长音频，再到复杂对话场景，逐步提升模型能力。
• 短段级别自回归音频重建：基于已生成内容流式重建当前短段音频，提升音频重建的连贯性。
• 自发性增强：通过播客生成模块主动注入自然对话特征，如“嗯”“对吧”等填充词，以及真实对话中的语气停顿，让生成内容更具真人交流的临场感。

支持平台

MoonCast 支持多种平台，包括：

• 在线体验：用户可以通过在线体验 Demo 快速试用。
• 本地部署：用户可以从 GitHub 仓库克隆项目，进行本地安装和配置。

团队介绍

MoonCast 由中科大、月之暗面等团队联合开发。该团队在剧本生成和音频建模方面进行了创新突破，致力于打造更自然、高质量的 AI 播客系统。

项目资源

• 项目官网：https://mooncastdemo.github.io/
• GitHub 仓库：https://github.com/jzq2000/MoonCast
• arXiv 技术论文：https://arxiv.org/pdf/2503.14345
• 在线体验 Demo：https://huggingface.co/spaces/jzq11111/mooncast

业务场景

MoonCast 广泛应用于多种业务场景：

• 内容创作：将故事文本、技术报告、新闻资讯等一键转化为播客音频，为创作者拓展音频传播渠道。
• 教育场景：将学术论文、电子教材等教学资料转为播客形式，适配碎片化学习场景。
• 娱乐与商业：生成自然对话风格的剧情播客，或用于企业培训材料音频化、新闻稿语音转化。
• 个人用户：将个人博客、日记内容转化为播客音频，适配开车、运动等场景。