近日，SoulAppAI团队（SoulAILab）正式开源播客语音合成模型SoulX-Podcast。该模型是一款专为多人、多轮对话场景打造的语音生成模型，支持中、英、川、粤等多语种/方言与副语言风格，能稳定输出超60分钟、自然流畅、角色切换准确、韵律起伏丰富的多轮语音对话。
除了播客场景以外，SoulX-Podcast在通用语音合成或克隆场景下也表现出色，带来更真实、更生动的语音体验。
流畅自然多轮对话
多方言、超长播客生成
在零样本克隆播客生成场景中，SoulX-Podcast展现出卓越的语音生成能力。它不仅能高度还原参考语音的音色与风格，更能根据对话语境灵活调节韵律与节奏，让每一段对话都自然流畅、富有节奏感。无论是多轮长时对话，还是情感层次丰富的交流，SoulX-Podcast都能保持声音的连贯与表达的真实。此外，SoulX-Podcast还支持笑声、清嗓等多种副语言元素的可控生成，让合成语音更具临场感与表现力。
除中英文外，SoulX-Podcast同样支持四川话、河南话、粤语等多种主流方言。更值得关注的是，SoulX-Podcast实现了跨方言音色克隆——即便仅提供普通话的参考语音，模型也能灵活生成带有四川话、河南话、粤语等方言特征的自然语音。同时，SoulX-Podcast可以支持超长播客的生成，并维持稳定的音色与风格。
开源新阶段
探索AI+社交更多可能
在推进AI+社交的过程中，智能对话、语音生成、情感化表达等语音能力是Soul重点布局的方向。此前，平台端到端全双工语音通话大模型全面升级，并在站内开启内测。新模型赋予AI自主决策对话节奏的能力，AI可主动打破沉默、适时打断用户、边听边说、时间语义感知、并行发言讨论等，实现更接近生活日常的交互对话和“类真人”的情感陪伴体验。
同时，团队推出了自研的语音生成大模型、语音识别大模型、语音对话大模型等语音大模型能力，快速应用于“虚拟伴侣”、群聊派对（多人语音互动场景）等多元场景中。
近来，已有部分开源研究开始探索播客或对话场景下的多说话人、多轮次语音合成能力。然而，这些工作仍主要聚焦于普通话或英语，对中文受众广泛的方言（如粤语、四川话、河南话等）支持不足。此外，在多轮语音对话场景中，恰当的副语言表达——如叹息、呼吸、笑声——对提升对话的生动性与自然度至关重要，但现有模型对此普遍关注不足。
而SoulX-Podcast正是希望解决这些痛点：不仅支持多轮、多角色的长对话生成，同时兼顾方言覆盖和副语言表达能力，使播客语音更贴近真实交流场景、富有表现力与生动感，从而提升听众的沉浸体验和内容传播力。
尽管SoulX-Podcast是专为多人、多轮对话场景设计的系统，但在传统的单人语音合成与零样本语音克隆任务中同样表现优异。在播客生成任务中，相较于近期相关工作，SoulX-Podcast在语音可懂度与音色相似度方面均取得了最佳结果。
此次SoulX-Podcast的开源，是Soul在开源社区领域的一次全新尝试，也是一个新的起点。Soul团队表示，未来将持续聚焦语音对话合成、全双工语音通话、拟人化表达、视觉交互等核心交互能力的提升，并加速技术在多样化应用场景与整体生态中的融合落地，为用户带来更加沉浸、智能且富有温度的交互体验，持续提升个体的幸福感与归属感。同时，团队将进一步深化开源生态建设，与全球开发者携手，共同拓展AI语音等前沿能力的边界，探索“AI+社交”的更多可能。
