haoyiyin/clone-voice

clone-voice 是做什么的？

🎙️ 智能体技能 — 基于Qwen3-TTS 0.6B的离线零样本语音克隆。提供参考音频和文本，即可获得克隆语音。支持CPU/MPS/CUDA，10种语言。

简介

该技能利用Qwen3-TTS模型进行零样本语音克隆，无需预先训练特定说话人模型。只需提供一段参考音频和要合成的文本，即可生成与参考音频音色一致的语音。

支持的平台

• CPU: 可在无GPU的环境下运行，但合成速度较慢。
• MPS (Apple Silicon): 在Mac设备上利用Metal性能加速，提供良好的推理速度。
• CUDA (NVIDIA GPU): 利用GPU加速，实现快速语音合成。

支持的语言

该技能支持以下10种语言：

• 中文（普通话）
• 英文
• 日文
• 韩文
• 法文
• 德文
• 西班牙文
• 葡萄牙文
• 阿拉伯文
• 俄文

使用方法

# 基本用法
clone-voice --audio reference.wav --text "要合成的文本" --output output.wav

# 指定计算后端
clone-voice --audio reference.wav --text "要合成的文本" --device cuda --output output.wav

# 查看帮助
clone-voice --help

API 调用

from clone_voice import VoiceCloner

cloner = VoiceCloner(device="cuda")  # 或 "cpu", "mps"
output_path = cloner.clone(
    reference_audio="reference.wav",
    text="要合成的文本",
    output_path="output.wav"
)
print(f"语音已保存至: {output_path}")

环境变量

变量名	说明	默认值
CLONE_VOICE_MODEL_PATH	模型缓存路径	~/.cache/clone-voice
CLONE_VOICE_DEVICE	计算设备	auto (自动检测)
CLONE_VOICE_LANGUAGE	合成语言	auto (自动检测)

注意事项

• 参考音频应清晰、无背景噪音，时长建议在3-10秒之间。
• 较长的文本可能会增加合成时间。
• 首次运行时会自动下载模型，请确保网络连接稳定。

许可证

本项目采用 MIT 许可证。