近日，Soul App AI团队（Soul AI Lab）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。

SoulX-Podcast表现

SoulX-Podcast亮点：流畅自然多轮对话、多方言、超长播客生成。

• 零样本克隆的多轮对话能力

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。

• 多语种和跨方言的克隆能力

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。

• 超长播客生成

SoulX-Podcast可以支持超长播客的生成，并维持稳定的音色与风格。

 SoulX-Podcast模型架构如下：

SoulX-Podcast开源地址

• Demo Page: https://soul-ailab.github.io/soulx-podcast

• Technical Report: https://arxiv.org/pdf/2510.23541

• Source Code: https://github.com/Soul-AILab/SoulX-Podcast

• HuggingFace: https://huggingface.co/collections/Soul-AILab/soulx-podcast