O que clone-voice faz?
🎙️ Habilidade para Agentes — Clonagem de voz zero-shot offline com Qwen3-TTS 0.6B. Envie um áudio de referência + texto e obtenha fala clonada. CPU/MPS/CUDA, 10 idiomas.
Visão Geral
Esta habilidade permite que um agente de IA clone uma voz a partir de um breve áudio de referência (segundos) e gere fala para qualquer texto de entrada. Ela opera inteiramente offline, sem dependência de API.
Plataformas Suportadas
- Claude Code (via MCP ou ferramenta
RunTerminalCommand) - Codex CLI (via ferramenta de ambiente)
- Qualquer agente que possa executar comandos Python e confiar em saída de terminal
Pré-requisitos
- Python 3.10+
- pip
- (Opcional) GPU NVIDIA com CUDA ou Apple Silicon com MPS
Instalação
pip install "huggingface_hub>=0.24.0" "transformers>=4.47.0" "accelerate>=0.34.0" "soundfile>=0.12.0"
Uso (via Agente)
- Prepare um arquivo de áudio de referência (
.wavou.mp3, 3–10 segundos, voz limpa) - Chame esta habilidade com o caminho para o áudio de referência e o texto alvo
- A saída será um arquivo de áudio
.wavna clonagem da voz
Exemplo de Chamada
python run.py --ref_audio /caminho/para/voz_referencia.wav --text "Olá, esta é minha voz clonada."
Parâmetros
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
ref_audio | string | sim | Caminho para o áudio de referência |
text | string | sim | Texto a ser dito na voz clonada |
--device | string | não | Dispositivo: cpu, mps, cuda |
Como Funciona
- O Qwen3-TTS 0.6B carrega pesos do Hugging Face Hub
- Um breve áudio de referência é codificado em um embedding de voz
- O modelo gera espectrograma mel condicionado ao embedding de voz + texto
- Um vocoder neural converte para forma de onda de áudio
Idiomas Suportados
Chinês (Mandarim), Inglês, Japonês, Coreano, Francês, Alemão, Espanhol, Italiano, Português, Russo.
Notas
- A primeira execução baixará os pesos do modelo (~600MB). Conexão com internet necessária apenas uma vez.
- Áudios de referência mais curtos (3–5s) tendem a funcionar melhor.
- Para qualidade ideal, use áudio de referência com mínimo ruído de fundo.
Licença
Apache 2.0