OpenVoice 语音克隆本地部署10分钟克隆出你的专属声音【免费下载链接】OpenVoiceInstant voice cloning by MIT and MyShell. Audio foundation model.项目地址: https://gitcode.com/GitHub_Trending/op/OpenVoiceOpenVoice 是 MIT 与 MyShell 开源的即时语音克隆音频基础模型一段 3~5 秒的参考音频就能复刻目标音色还能调节风格和跨语言输出本地部署后音频不出内网。本文覆盖从零跑通第一个克隆效果到风格参数、多语言用法和常见报错的处理。它解决什么问题做产品或做研究时你想要特定某个人的声音通常只有三条路维度商业语音 API自训 TTS 模型OpenVoice 本地部署数据量按量付费无本地数据小时级录音训练周期3~5 秒参考音频语言固定清单单语为主6 种语言原生支持参考音频任意语言风格控制基本不可控重新训练情感/口音/节奏等参数可调部署云端自建集群单机即可代码全部拿得到成本调用计费高MIT 协议免费商用OpenVoice 的核心思路是音色与风格解耦基础 TTS 负责节奏、语调、情感音色转换器tone color converter只负责把音色贴成参考人的。所以它不是把参考音频整段复读而是给你一张可反复使用的音色模板。官方文档在 docs/USAGE.md。十分钟跑通第一个效果先看到效果再谈配置。全程四步建环境。隔离环境能避免依赖互相打架conda create -n openvoice python3.9 -y conda activate openvoice装依赖。仓库地址就一行命令的事git clone https://gitcode.com/GitHub_Trending/op/OpenVoice cd OpenVoice pip install -e .下模型权重。按 docs/USAGE.md 的说明从官方 S3 链接下载 checkpoint 压缩包解压到checkpoints目录V1 放checkpoints/V2 放checkpoints_v2/。这一步是全程最耗时的一环网络慢就趁这个时间看下一节。出第一条克隆语音。最小推理链路只有三行核心调用完整可运行版本看示例demo_part1.ipynbfrom openvoice.api import BaseSpeakerTTS, ToneColorConverter from openvoice import se_extractor base_speaker_tts BaseSpeakerTTS(f{ckpt_base}/config.json, devicedevice) tone_color_converter ToneColorConverter(f{ckpt_converter}/config.json, devicedevice) target_se, audio_name se_extractor.get_se(reference_speaker, tone_color_converter, target_dirprocessed, vadTrue) base_speaker_tts.tts(text, src_path, speakerH64, languageEnglish) tone_color_converter.convert(src_path, target_se, se, save_path)流程是参考音频 → 提取音色嵌入 → 基础 TTS 出中间音频 → 音色转换出终稿。整体架构如下图核心能力拆解克隆与参考音频怎么选参考音频是克隆质量的天花板选错其他都白搭。参数推荐值说明时长3~5 秒过短特征不稳过长易混入噪音说话人仅 1 人多人对话会污染音色嵌入背景噪音尽量无干净录音效果显著更好静音段无长静音头尾留长空白会拉低质量文件名每人唯一同名文件不会自动覆盖旧的嵌入缓存音色嵌入只提取一次之后每次合成都复用这是它快的原因。风格参数怎么调⚠️ 一个关键认知OpenVoice 只克隆音色不克隆参考音频里的口音和情感——这些由基础 TTS 的 speaker 决定。想要特定口音换带该口音的 base speaker而不是指望参考音频传染风格。可调项主要有两个speaker基础 TTS 的说话人编号决定情感基调与默认口音tau音色与风格的混合强度convert()的取值范围 0.3~1.0默认 0.3。调高音色更贴参考音频调低风格更贴近原 speaker。改这两个参数、重跑一遍convert()即可试出你要的效果。多语言与批量生成怎么接V2 原生支持英语、西班牙语、法语、中文、日语、韩语跨语言克隆不需要参考语言出现在训练集里。V1 想支持其他语言就换一个该语言的基础 TTS 模型音色转换器是通用的。跨语言示例见 demo_part2.ipynbV2 完整用法见 demo_part3.ipynb。批量生成没有单独的 API做法就是循环每段文本跑一遍tts()convert()长文本它内部会按句子切分再拼接。踩过的坑与解法首次运行卡在 silero-vad 下载se_extractor会联网拉取 silero-vad 做语音活动检测访问 GitHub 失败就会卡死。解决手动下载对应 zip 包解压到~/.cache/torch/hub/下即可详见 docs/QA.md。生成的声音口音、情感跟参考音频不像这是设计使然不是 bug——音色转换器只搬音色风格归基础 TTS 管。要换风格就换 base speaker要换音色就换参考音频两条线各管各的。重跑一遍质量突然变差八成是processed缓存目录里有同名文件的旧嵌入。get_se()不会自动覆盖旧文件换个新文件名重新提取即可。什么场景适合它三个典型落点场景用法内容生产作者/主播音色复刻批量生成配音稿多语言出海一段中文参考音频克隆音色输出英文/日文版本数据敏感业务音频全程不出内网合规成本远低于云端 API选型一句话要稳定产品级体验、不想调参用商业 SaaS要可控、可商用、可私有化选 OpenVoice 本地部署。【免费下载链接】OpenVoiceInstant voice cloning by MIT and MyShell. Audio foundation model.项目地址: https://gitcode.com/GitHub_Trending/op/OpenVoice创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
