Toolifai logo
Toolifai 编辑整理

SpeechGPT 2.0-preview

AI语音生成语音交互

SpeechGPT 2.0-preview是复旦大学自然语言处理实验室开发的语音交互模型预览站点，核心定位是为开发者、研究人员及内容创作者提供前沿的语音与大语言模型融合能力

SpeechGPT 2.0-preview是复旦大学自然语言处理实验室开发的语音交互模型预览站点，核心定位是为开发者、研究人员及内容创作者提供前沿的语音与大语言模型融合能力。站点支持中文语音交互，可实现多风格语音生成、工具调用联动、外部知识库接入三类核心功能，面向AI语音应用开发者、语音交互研究人员、有声内容创作者、教育产品开发者、智能硬件方案商等群体，适用于智能语音助手开发、有声读物内容制作、多模态对话系统研究、教育语音交互模块搭建等场景，帮助用户快速验证语音大模型的落地可能性。

访问官网
国内可访问编辑评分 3.5付费AI语音生成热度第 5 / 30 名官网检测异常收录证明开发者认领
官网预览官网首页：SpeechGPT 2.0-preview 界面预览（ 截图）1 / 1
适用对象
AI语音应用开发者（智能助手开发场景）
主要功能
多风格语音生成、实时语音对话
计费方式
付费
平台
网页
已收录
2026.06.14（138 天）
阅读目录

编辑评测与站内热度

3.5

编辑综合评分

满分 5 分

热度人气58
内容完整93
社区口碑58
免费程度58
资料深度56
核验可信85

六维指标基于站内真实数据（热度、社区反馈、资料完整度、可达性核验等）综合评估，非用户投票。

全站热度排名

#1970

分类内排名

#5 / 30

累计站内点击

—

近 7 日点击

—

排名与点击为站内真实统计口径，反映 Toolifai 用户行为，非编辑评分。

SpeechGPT 2.0-preview是什么，怎么使用？

约 4 分钟

SpeechGPT 2.0-preview是复旦大学自然语言处理实验室开发的语音交互模型预览站点，核心定位是为开发者、研究人员及内容创作者提供前沿的语音与大语言模型融合能力。站点支持中文语音交互，可实现多风格语音生成、工具调用联动、外部知识库接入三类核心功能，面向AI语音应用开发者、语音交互研究人员、有声内容创作者、教育产品开发者、智能硬件方案商等群体，适用于智能语音助手开发、有声读物内容制作、多模态对话系统研究、教育语音交互模块搭建等场景，帮助用户快速验证语音大模型的落地可能性。

主要功能

  • 多风格语音生成：用户可在页面输入文本内容，选择预设的情感、风格、角色标签，点击生成即可得到对应风格的语音文件，可模拟正式播报、日常对话、故事讲述等不同场景的语音表达，生成的语音自然度较高，能够适配不同内容的语音输出需求。
  • 实时语音对话：用户可点击页面的语音输入按钮，直接用中文表述需求，模型会在短时间内处理语音指令，生成对应的语音回复内容，延迟较低，支持多轮连续对话，无需重复触发输入模式，可模拟真实的语音交流过程。
  • 工具调用联动：用户在语音对话中提出需要计算、查询数据等需求时，模型可自动调用内置的计算器、单位换算等工具完成任务，无需用户切换到其他平台操作，结果会以语音和文字两种形式反馈给用户，提升交互效率。
  • 在线搜索接入：当用户提出的问题涉及实时信息、近期热点事件时，模型可自动触发在线搜索能力，获取最新的公开信息后整理为自然语音回复，确保输出内容的时效性，无需用户手动查询资料再整理结果。
  • 知识库访问支持：针对专业领域的问题，模型可接入预设的外部知识库内容，输出更精准的专业类回复，用户也可在权限范围内上传自定义的知识库文件，适配特定行业的语音问答需求，提升专业场景的响应准确率。
  • 语音风格泛化：用户可上传少量参考语音样本，模型可学习样本的发音特点、语速风格，生成同风格的长文本语音内容，无需大量的语音素材训练，即可适配特定角色的语音定制需求，降低语音定制的门槛。

怎么使用

  1. 第一步，打开站点https://open-moss.com/en/speechgpt2-preview，在首页查看平台功能说明和使用规则，确认当前仅支持中文语音交互，明确使用边界。第二步，选择交互模式，若需文本转语音则切换到生成模式，输入目标文本后选择对应的情感、角色、风格参数；若需对话则切换到对话模式。第三步，触发交互操作，生成模式点击生成按钮等待语音输出，对话模式点击语音输入按钮，清晰表述中文需求后结束输入。第四步，查看交互结果，生成的语音可直接在线播放，也可下载到本地保存，对话回复会同步显示文字内容，可核对信息准确性。第五步，体验扩展功能，若需要调用工具、搜索或知识库能力，可在对话中明确提出相关需求，模型会自动触发对应能力，完成后反馈结果。

适合什么人群

  • AI语音应用开发者（智能助手开发场景）
  • 自然语言处理研究人员（多模态模型研究场景）
  • 有声内容创作者（有声读物制作场景）
  • 教育产品开发者（AI语音教学模块搭建场景）
  • 智能硬件方案商（语音交互硬件适配场景）
  • 客服系统开发者（智能语音客服开发场景）

总结

这是复旦大学自然语言处理实验室推出的语音大模型预览站点，区别于普通的文本转语音工具，它将语音交互能力和大语言模型的理解、推理能力深度融合，既可以实现高自然度的语音生成，也能完成语音触发的工具调用、信息搜索等复杂任务。站点目前处于预览阶段，用户可以免费体验核心的语音交互功能，也能直观感受到多风格语音生成、低延迟对话的实际效果。对于想要了解语音大模型发展方向，或者需要快速验证语音交互方案的从业者来说，这个站点可以提供直接的参考，也能帮助用户了解学术机构在多模态大模型领域的研发进展。目前站点仅支持中文交互，后续还会扩展多语言能力，感兴趣的用户可以持续关注更新动态。

价格与免费额度

当前SpeechGPT 2.0-preview处于公开预览阶段，所有用户均可免费访问站点体验核心功能，免费阶段支持每日固定次数的语音生成和对话交互，可满足普通用户体验和小规模测试需求。官方暂未公布正式版本的定价方案，后续正式上线后预计会推出不同档位的付费版本，针对个人开发者、企业用户分别设置不同的调用额度和功能权限，建议有大规模使用需求的用户关注官方后续通知，根据自身使用量级选择合适的版本。

优点与不足

优点

  • 语音生成自然度较高，支持多种情感、风格、角色的语音输出，适配不同场景的语音需求
  • 语音交互延迟较低，多轮对话过程流畅，可模拟真实的语音交流体验
  • 融合大语言模型能力，支持工具调用、在线搜索、知识库接入，可完成复杂语音指令任务
  • 语音风格泛化能力较强，少量参考样本即可生成对应风格的语音内容，定制成本较低

不足

  • 目前仅支持中文语音交互，不支持其他语言，适用范围有一定限制
  • 处于预览阶段，部分功能稳定性有待提升，复杂指令下可能出现响应偏差
  • 自定义知识库上传权限有限，普通用户暂时无法自主上传私有知识库内容
  • 生成的语音文件下载格式选择较少，暂不支持高保真专业级音频格式导出

能帮你做的 8 件事

  1. 01多风格语音生成
  2. 02实时语音对话
  3. 03工具调用联动
  4. 04在线搜索接入
  5. 05语音交互场景的常用方案
  6. 06多模态大模型场景的常用方案
  7. 07AI语音应用开发者（智能助手开发场景）的日常效率工具
  8. 08在网页等多端直接使用

更新历史

  • SpeechGPT 2.0-preview 收录进 Toolifai 目录
  • 页面资料核验与信息更新

常见问题

SpeechGPT 2.0-preview和普通的文本转语音工具的区别是什么？

普通的文本转语音工具仅能实现文本到语音的转换，不具备语义理解和复杂任务处理能力，而SpeechGPT 2.0-preview是融合了大语言模型能力的语音交互系统，除了基础的文本转语音功能之外，还可以理解语音输入的复杂指令，自动调用工具、在线搜索实时信息、接入外部知识库输出专业内容，支持多轮语音对话，能够完成信息查询、问题解答、任务处理等复杂交互，不仅仅是语音生成工具，而是完整的语音交互解决方案。

有帮助吗

目前这个预览版本支持英文等其他语言的交互吗？

目前SpeechGPT 2.0-preview的训练语料以中文为主，仅支持中文的语音输入和输出，暂不支持英文、日文等其他语言的交互。官方已经公布后续的迭代计划中会加入多语言支持，扩展更多语种的语音交互能力，有其他语言使用需求的用户可以关注官方的版本更新公告，待多语言版本上线后再进行体验。

有帮助吗

我可以用这个模型生成的语音内容用于商业用途吗？

当前预览阶段生成的语音内容仅供用户体验和测试使用，暂时不支持商业用途，若需要将生成的内容用于商业场景，需要提前联系复旦大学自然语言处理实验室相关团队获取授权，确认使用范围和相关要求。后续正式版本上线后，官方会公布明确的商业使用授权规则和相关付费方案，有商业使用需求的用户可以等待正式版本发布后按照官方规则申请授权。

有帮助吗

使用这个模型生成特定风格的语音需要提供多少训练素材？

SpeechGPT 2.0-preview具备较强的语音风格泛化能力，若需要生成特定风格的语音，仅需提供3-5段、每段30秒以上的同风格参考语音样本即可，无需大量的训练数据，模型会自动学习参考样本的发音特点、语速、语气风格，生成对应风格的语音内容。不过目前预览阶段该功能的开放范围有限，部分用户可能需要提交申请获取风格定制的使用权限。

有帮助吗

语音交互的过程中数据会被保存吗？

为了优化模型性能，用户在预览阶段的交互内容可能会被匿名保存用于模型训练，官方会对数据进行脱敏处理，不会泄露用户的个人隐私信息。若用户不希望自己的交互数据被用于模型训练，可以在使用前查看站点的隐私政策说明，按照相关指引提出数据不被收集的申请，或者避免在交互过程中输入敏感、隐私类的内容。

有帮助吗

这个模型支持接入到我自己开发的应用中吗？

目前公开预览阶段仅支持在官方站点体验功能，暂不开放API接口供外部应用接入。官方后续计划推出正式的API服务，开发者可以通过调用API的方式将模型能力集成到自己的应用、产品中，有接入需求的开发者可以关注官方的开放计划，待API服务上线后按照官方的接入流程申请使用权限。

有帮助吗

开始使用 SpeechGPT 2.0-preview

从官方入口了解最新功能与使用方式。

前往官网

由 Toolifai 编辑维护

欢迎产品方补充截图、功能介绍与官方资料。更新和纠错由编辑审核后发布。

参考来源官方产品介绍最近核验
提交资料更新邮件反馈

大家对 SpeechGPT 2.0-preview 的点评

加载中…

写点评

每周三，一封 AI 工具周刊

编辑精选本周值得试的新工具与真实用法，5 分钟读完，已连续更新 5 期。

每周一封，随时可退订。往期内容见AI 工具周刊归档。

同类替代工具

Magic Audio Workshop

Magic Audio Workshop是专注于AI语音生成与音频处理的在线工具平台，支持多语种拟人声语音合成、音频剪辑优化、字幕与语音同步匹配等核心功能。主要面向短视频创作者、有声书制作者、教育课程开发者、广告策划人员等内容创作群体，可满足短视频旁白录制、有声读物批量制作、课程音频配音、商业广告配音、多语种内容译配等多元场景的音频制作需求，无需专业录音设备即可完成标准化的语音内容产出。

#AI语音合成#音频编辑#配音工具
对比

LMNT

LMNT是专注于AI语音生成的在线服务平台，核心定位是为用户提供高拟真度、情感表现力丰富的语音合成与声音定制服务。平台支持多语言语音生成、专属声音克隆、长文本语音转换等核心功能，面向内容创作者、企业运营人员、有声读物制作者、独立开发者等群体，可应用于有声内容制作、产品语音交互搭建、营销音频素材生成、有声书录制等多个场景，帮助用户通过AI技术完成各类语音内容的创作需求，无需专业配音设备和人员即可产出符合需求的语音素材。

#AI语音生成#声音克隆#语音合成
对比

Hume AI

Hume AI是主打情绪感知能力的语音AI平台，核心是搭载具备情绪识别与表达能力的大模型，支持用户生成适配不同情绪风格的音频内容、搭建带情绪交互能力的对话系统。核心功能包括情绪感知语音生成、多角色对话情绪模拟、音频情绪标注分析，面向内容创作者、AI应用开发者、教育内容制作者等群体，可应用于有声书制作、播客内容生成、智能客服系统搭建、教育音频开发等多种场景，帮助用户产出更贴合受众情感需求的音频类产物。

#语音AI#情绪识别#文本转语音
对比

Stability AI text-to-speech models

Stability AI text-to-speech models是Stability AI推出的文本转语音工具，核心定位是基于大规模语音数据集训练的高保真语音合成平台。其核心功能包括自然语言引导的语音风格定制、多身份说话人音色生成、高保真音频输出，支持用户通过文本描述直接指定语音的性别、年龄、情绪风格、录音环境等属性。目标用户覆盖内容创作者、有声书制作者、短视频运营者、教育从业者、开发者、配音爱好者等群体，可应用于有声内容制作、短视频配音、课程音频生成、AI语音交互开发、多语言内容本地化等多种场景，无需专业配音设备即可生成符合需求的语音内容。

#文本转语音#AI配音#语音合成
对比

更多同类选择见AI语音生成分类页，按分类整理全部替代方案与两两对比。

热门对比

SpeechGPT 2.0-preview vs Magic Audio WorkshopSpeechGPT 2.0-preview vs LMNTSpeechGPT 2.0-preview vs Hume AISpeechGPT 2.0-preview 的替代品

大家还在搜

语音交互工具多模态大模型工具文本转语音工具语音生成工具AI对话工具复旦大学MOSS工具

推荐产品

推广
MidjourneyMidjourney是知名AI图像生成平台，核心定位为通过自然语言输入生成高质量视觉作品的创作辅助工具。其核心功能包含文本生成图像、局部画面重绘、多轮迭代优化，可满足不同创作阶段的调整需求。该平台主要面向创意领域从业者及爱好者，可广泛应用于概念设计、插画创作、游戏原画产出、广告创意视觉落地、当代视觉艺术探索等多个场景，帮助创作者降低视觉落地的执行门槛，拓展创意表达的边界。Feishu Smart NotesFeishu Smart Notes是字节跳动旗下飞书套件内的智能文档与会议记录辅助工具，核心定位为面向团队协作的智能化办公内容处理工具。核心功能包含AI驱动的会议内容实时转写与要点提炼、文档内容智能生成与润色、多模态内容的结构化整理三类，支持团队成员实时协同编辑内容，适配跨部门项目同步、远程会议记录留存、日常办公文档撰写等多类办公场景，主要面向企业办公人员、项目管理者、内容创作者、高校科研团队等用户群体，帮助降低办公内容处理的人力成本，提升团队信息流转的效率。Qwen-Image AIQwen-Image AI是阿里巴巴推出的AI图像生成平台，核心定位为面向中文用户的高精度AI图像创作工具，依托通义千问技术体系，支持中文文本生成图像、精准中文文本渲染、图像编辑拓展等功能。平台主打高真实感图像生成与准确的中文文字生成能力，可满足不同创作场景的图像需求。目标用户覆盖平面设计师、内容创作者、电商运营人员、学生、手工创作者、商业品牌策划人员等，适用于商业宣传图制作、社交内容配图创作、设计概念图生成、带中文文字的文创产品设计等多种使用场景。Qwen ChatQwen Chat是阿里通义推出的聚合多系列Qwen大模型的AI交互平台，核心定位为一站式AI生产力工具。核心功能包含多模型同步对话对比、多格式文档问答解析、可交互人工制品生成三大模块，同时支持图像内容理解、HTML内容预览等扩展能力。目标用户覆盖学生、教育工作者、开发者、内容创作者、职场办公人员、研究人员等多个群体，可满足知识点答疑、文档内容提取、代码开发辅助、内容创作生成、办公资料处理等多种使用场景，为不同需求的用户提供多元的AI交互服务。MarvisMarvis是腾讯基于混元大模型打造的AI智能助手，核心定位是为用户提供多场景的智能化辅助服务。其核心功能包括自然语言对话问答，可快速解答各领域常识、专业问题；支持多类型内容创作，能生成文案、报告、创意方案等内容；可实现文档深度分析，支持上传PDF、Word等格式文档并提取关键信息、解答文档相关问题。目标用户覆盖办公人群、学生群体、内容创作者、开发者等，可用于日常办公效率提升、学习知识查询、内容产出辅助、代码开发调试等多种场景。海绵音乐Sponge Music是字节跳动推出的AI音乐创作平台，核心定位为降低音乐创作门槛，为用户提供便捷的AI音乐生成服务。平台支持灵感创作、定制化创作两大核心创作模式，可生成多风格的中文原创歌曲，同时支持歌词生成、曲风调整、人声配置等辅助功能。目标用户覆盖音乐爱好者、内容创作者、短视频从业者、广告制作人员等群体，可用于短视频配乐创作、个人兴趣音乐制作、商业宣传曲初稿创作、校园活动曲目制作等多种场景，无需用户具备专业的乐理知识即可完成音乐作品生成。Youdao TranslateYoudao Translate是网易旗下的在线翻译服务平台，核心定位为面向多场景的跨语言交流辅助工具。平台支持100余种语言的互译，核心功能包含文本即时翻译、文档格式保留翻译、实时语音口译，能够满足日常交流、学习查阅、工作协作等不同场景下的翻译需求。目标用户覆盖学生、职场人士、跨境从业者、内容创作者、科研人员等多个群体，用户无需下载客户端，通过浏览器访问即可快速完成各类翻译任务，降低跨语言沟通的信息获取门槛。QQ音乐TME Studio是腾讯音乐旗下的AI音乐生成工具平台，由银河音效、MUSE、天琴实验室、腾讯AI实验室联合研发，依托腾讯音乐的海量音乐版权数据与技术积累，为音乐创作相关用户提供一站式AI辅助创作服务。核心功能包含AI词曲生成、AI演唱调教、AI音效处理三大模块，既支持专业音乐人快速搭建作品雏形，也允许音乐爱好者无需复杂专业技能即可完成音乐作品创作，可应用于demo快速制作、短视频BGM生成、翻唱作品二次创作、个人原创音乐尝试等多种场景。百度AIBaidu AI是百度推出的智能对话交互平台，核心定位为结合搜索能力与生成式技术的AI助手。平台支持多轮对话交互，可实现信息检索整合、内容创作辅助、多模态内容生成等核心功能，面向学生、职场人士、内容创作者、科研人员等群体，可满足日常信息查询、工作报告撰写、学习资料整理、创意灵感产出等多场景使用需求，无需复杂配置即可通过网页端直接访问使用。ClaudeClaude 是 Anthropic 开发的 AI 助手，以安全性和对话质量著称。支持超长上下文窗口（200K tokens）、多模态理解（图像/文档）、代码编写、数据分析、创意写作等功能。Claude 在推理准确性、指令遵循和减少幻觉方面表现优秀，适合专业写作、编程辅助和复杂分析任务。