小红书团队发布名为 FireRedTTS2 的开源项目，这是一款面向多说话人对话生成的长篇流式语音合成系统，旨在为播客和聊天机器人提供稳定、自然的语音输出。

核心亮点：

• 长篇对话生成：支持长达 3 分钟的 4 人对话，且可通过扩展训练语料轻松扩展至更长对话和更多说话人。
• 多语言支持：涵盖英语、中文、日语、韩语、法语、德语和俄语等多种语言，支持跨语言和代码切换场景下的零样本文本到语音克隆。
• 超低延迟：基于 12.5Hz 流式语音标记器，采用双 Transformer 架构，实现文本 - 语音交错序列操作，灵活支持逐句生成，首包延迟低至 140ms，同时保持高质量音频输出。
• 高稳定性：在独白和对话测试中均展现出高相似性和低词错误率 / 字符错误率。
• 随机音色生成：适用于创建语音识别 / 语音交互数据。

团队已发布技术报告与演示页面，并计划在 10 月 推出增强版多语言基模型、微调代码与教程，以及端到端的 text-to-blog 流水线。

代码仓库附带完整的安装与使用示例，依赖 PyTorch 2.7.1，模型权重托管于 Hugging Face。

https://github.com/FireRedTeam/FireRedTTS2
https://arxiv.org/abs/2509.02020
https://huggingface.co/FireRedTeam/FireRedTTS2