加入Discord讨论 / QQ群 902124277

该项目所用模型均源于 https://github.com/coqui-ai/TTS ，模型协议为CPML只可用于学习研究，不可商用

这是一个声音克隆工具，可使用任何人类音色，将一段文字合成为使用该音色说话的声音，或者将一个声音使用该音色转换为另一个声音。

使用非常简单，没有N卡GPU也可以使用，下载预编译版本，双击 app.exe 打开一个web界面，鼠标点点就能用。

支持 中文、英文、日语、韩语 4种语言，可在线从麦克风录制声音。

为保证合成效果，建议录制时长5秒到20秒，发音清晰准确，不要存在背景噪声。

英文效果很棒，中文效果还凑合。

1. 右侧Releases中下载预编译版，适用于window 10/11(已含全部模型，分为3个压缩卷),Mac下请拉取源码自行编译

2. 下载后解压到某处，比如 E:/clone-voice 下

3. 双击 start.bat ，等待自动打开web窗口，如下

4. 转换操作步骤

   • 在文本框中输入文字、或导入srt文件，或者选择“声音->声音”，选择要转换的声音wav格式文件
   • 然后从“要使用的声音wav文件”下拉框中选择要用的声音，如果没有满意的，也可以点击“本地上传”按钮，选择已录制好的5-20s的wav声音文件。或者点击“开始录制”按钮，在线录制你自己的声音5-20s，录制完成点击使用
   • 点击“立即开始生成”按钮，耐心等待完成。

5. 如需GPU支持，请拉取源码本地编译

源码版需要全局代理，因为要从 https://huggingface.co 下载模型，而这个网址国内无法访问

0. 要求 python 3.9+
1. 创建空目录，比如 E:/clone-voice
2. 创建虚拟环境 python -m venv venv
3. 激活环境 cd venv/scripts,activate,cd ../..
4. 安装依赖 CPU版: pip install -r requirements.txt, GPU版:pip install -r requirements-gpu.txt
5. 解压 ffmpeg.7z 到项目根目录
6. 下载模型 文字到语音(text-to-speech)模型 和 语音到语音(speect-to-speech)模型 到项目目录下的tts文件中，然后解压到当前文件夹,或者无需手动下载，挂全局代理，在线下载
7. 启动 python app.py
8. CUDA支持：如果你的显卡是 Nvidia，可以根据显卡驱动版本和操作系统版本，去安装对应的 CUDA Toolkit 11.8 ,建议预先将显卡驱动升级到最新版，再去安装。

执行 pip uninstall torch torchaudio torchvision 卸载，然后去 https://pytorch.org/get-started/locally/ 根据你的操作系统类型和 CUDA 版本，选择命令

然后将 pip3 改为 pip，再复制命令去执行。

安装完毕后，在该环境里，执行 python,等待进入后，再分别执行 import torch,torch.cuda.is_available(),如果有输出，说明CUDA配置正确，否则请检查配置或者重新配置CUDA

模型下载地址

模型xtts仅可用于学习研究，不可用于商业，具体见

0. 源码版需要全局代理，因为要从 https://huggingface.co 下载模型，而这个网址国内无法访问

1. 启动后需要冷加载模型，会消耗一些时间，请耐心等待显示出http://127.0.0.1:9988， 并自动打开浏览器页面后，稍等两三分钟后再进行转换

2. 功能有：

    文字到语音:即输入文字，用选定的音色生成声音，这个功能预编译已包含模型，开箱即用。
    
    声音到声音：即从本地选择一个音频文件，用选定的音色生成另一个音频文件，为减小预编译版体积，没有包含在内，需要单独下载模型，放在app.exe 同目录下的tts文件夹中，解压到当前文件夹下，解压后会多两个文件夹,`voice_conversion_models--multilingual--vctk--freevc24`和`wavlm`,请确保位置正确
   

3. 如果打开的cmd窗口很久不动，需要在上面按下回车才继续输出，请在cmd左上角图标上单击，选择“属性”，然后取消“快速编辑”和“插入模式”的复选框