Was macht clone-voice?
🎙️ Agent-Fähigkeit — Offline Zero-Shot-Stimmenklonen mit Qwen3-TTS 0.6B. Referenzaudio und Text bereitstellen, geklonte Sprache erhalten. CPU/MPS/CUDA, 10 Sprachen.
📋 Voraussetzungen
- Python 3.10+ mit pip
- Etwa 2–4 GB freier Arbeitsspeicher (je nach Modellgröße)
- Optional: NVIDIA GPU mit CUDA (für schnellere Inferenz) oder Apple Silicon (MPS)
🚀 Installation
pip install -q torch torchaudio soundfile librosa pydub numpy scipy
Hinweis: Besuchen Sie https://pytorch.org für die für Ihr System optimierte torch-Installation.
🧠 Plattformunterstützung
| Plattform | Beschleunigung | Hinweise |
|---|---|---|
| CPU | Langsam, aber funktionsfähig | Universell, keine GPU erforderlich |
| CUDA | ✅ Stark beschleunigt | NVIDIA-GPU mit CUDA 11.8+ empfohlen |
| MPS | ✅ Beschleunigt (Apple Silicon) | Mac mit M1/M2/M3/M4 |
🎯 Verwendung
Grundlegende Verwendung
python clone_voice.py --ref_audio /pfad/zu/referenz.wav --text "Hallo, dies ist eine geklonte Stimme."
Erweiterte Optionen
python clone_voice.py \
--ref_audio /pfad/zu/referenz.wav \
--text "Hallo, dies ist eine geklonte Stimme." \
--output_dir ./ausgabe \
--speed 1.0 \
--pitch 0.0 \
--volume 1.0 \
--language de
| Parameter | Standard | Beschreibung |
|---|---|---|
--ref_audio | (erforderlich) | Pfad zur Referenzaudio-Datei (.wav, .mp3, .flac) |
--text | (erforderlich) | Zu synthetisierender Text |
--output_dir | ./ausgabe | Verzeichnis für die Ausgabe-Dateien |
--speed | 1.0 | Sprechgeschwindigkeit (0,5–2,0) |
--pitch | 0.0 | Tonhöhenverschiebung in Halbtönen (−12 bis +12) |
--volume | 1.0 | Lautstärkeverstärkung (0,0–2,0) |
--language | zh | Sprachcode der Eingabe (siehe Tabelle unten) |
🌍 Unterstützte Sprachen
| Code | Sprache |
|---|---|
zh | Chinesisch (vereinfacht) |
en | Englisch |
ja | Japanisch |
ko | Koreanisch |
fr | Französisch |
de | Deutsch |
es | Spanisch |
it | Italienisch |
pt | Portugiesisch |
ru | Russisch |
📁 Ausgabe
Bei Erfolg wird eine einzelne WAV-Datei im Ausgabeverzeichnis erstellt:
./ausgabe/
├── cloned_speech_<Zeitstempel>.wav # Hauptausgabe
└── meta.txt # Metadaten (optional)
⚠️ Fehlerbehandlung
- „Referenzaudio nicht gefunden“: Stellen Sie sicher, dass der Dateipfad korrekt ist.
- „Nicht unterstütztes Format“: Konvertieren Sie die Datei in WAV (16-bit, 16–22 kHz).
- „CUDA nicht verfügbar“: Der Skill fällt automatisch auf CPU zurück.
- „Speichermangel“: Verkleinern Sie die Referenzaudio-Datei oder schließen Sie andere Anwendungen.
🧪 Beispiel-Workflow
# 1. Klonen Sie die Stimme einer englischen Referenz mit deutschem Text
python clone_voice.py --ref_audio sprecherin.wav --text "Willkommen bei der Demonstration des Stimmenklons." --language de
# 2. Passen Sie die Geschwindigkeit an (langsamer, 0,8-fach)
python clone_voice.py --ref_audio sprecherin.wav --text "Langsamere Version für bessere Verständlichkeit." --speed 0.8 --language de