OpenVoice 语音克隆快速上手：10 秒录音，几分钟跑通第一版声音

OpenVoice 语音克隆快速上手：10 秒录音，几分钟跑通第一版声音

【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/OpenVoice

做课程、做产品演示时，你总需要一条稳定一致的声音，但专业配音按条计费，每种语言还要重新录。OpenVoice 是 MIT 与 MyShell 开源的语音克隆工具：一段 10 秒的干净录音，就能提取出你的音色，让你写的任何文字都用这个声音念出来。V1 与 V2 都是 MIT 许可证，商用不花一分钱授权费。这篇文章带你从零走到"听到第一版输出"。

开工前检查清单：环境差一步都白装

官方安装路径面向 Linux + Python 3.9 + PyTorch，先把四项对一遍再动手：

项目	要求	说明
系统	Linux	Windows 可参考 docs/USAGE.md 里的社区版指南
Python	3.9	用 conda 建独立环境，别污染系统 Python
PyTorch	可正常导入	跑之前确认torch.cuda.is_available()返回 True
参考音频	10 秒左右单人录音	无背景噪音、无长静音，录音质量直接决定克隆效果

从安装到听到声音的三步

第 1 步：装环境。在终端里依次执行：

conda create -n openvoice python=3.9 conda activate openvoice git clone https://gitcode.com/GitHub_Trending/op/OpenVoice cd OpenVoice pip install -e .

怎么算成功：pip install -e .跑完不报错，所有依赖装齐。

第 2 步：放模型文件。到 docs/USAGE.md 的 V1 章节下载 checkpoint 压缩包，解压到项目根目录的checkpoints文件夹。怎么算成功：checkpoints目录下能看到解压出来的模型文件。V2 的 checkpoint 同理放到checkpoints_v2，并需按文档追加安装 MeloTTS 依赖。

第 3 步：跑示例。打开 demo_part1.ipynb 逐格执行，或者直接跑python -m openvoice_app --share起一个本地 gradio 页面。怎么算成功：示例产出音频文件，你听到的是参考音频里那个人的音色在读全新的文字。

这个声音用在哪：三个真实场景

跑通之后，一段参考录音的价值就不止一次。课程批量配音是最直接的一例：把课件脚本交给它，同一音色口播整门课，风格参数可以在 demo 里逐项调。多语言版本也能一次搞定：V2 原生支持中、英、日、法、西、韩 6 种语言，一段中文参考就能直接念出英语、日语版本，本地化素材不用重新配音。

机器配置不够、只想先验证想法时，可以走官方在线演示，入口列在 docs/USAGE.md 的 Quick Use 章节，流程如下图：进 Workshop，建一个 Bot，再用 voice cloning 创建你的声音。

10 秒录音凭什么带得走音色

把一句话原理放前面：OpenVoice 把声音拆成"谁在说"和"说了什么"两层，只替换音色这一层，内容和语言照旧。

打个比方，TTS 基础模型像一位大厨，什么菜都会做；音色提取器则从你 10 秒的录音里蒸馏出一包"专属调味"。不管大厨今天做的是哪道菜、用哪种方言的火候，只要撒进这包调味，成品吃起来都是你的味。图里的 IPA 对齐负责把发音位置卡准，保证换完音色后每个音节都不跑调。

高频问题：每个症状对应的第一个动作

问：安装过程报错或模型加载失败？答：先核对 Python 是否为 3.9、PyTorch 能否正常导入。另有一个高概率的坑：代码首次运行会自动下载 silero-vad 组件，网络访问不到 github 就会失败。解法是手动把对应 zip 下载下来，解压到~/.cache/torch/hub/下指定目录，详见 docs/QA.md 的 Silero 一节。

问：克隆出来"不太像"那个人？答：记住它只克隆音色，不克隆口音和情绪——口音与情绪由基础 TTS 模型决定。第一步不是换模型，而是换一段更干净的参考录音：单人、无背景音、10 秒以上。

问：生成的音频有噪点、质量差？答：按顺序排查四件事：参考音频是否有背景噪音、是否太短、是否混入第二个人的声音、是否含有长段静音。还有一个隐蔽项：如果你复用了旧参考音频的文件名，先删掉processed缓存目录，否则模型会拿上次的处理结果。

问：V1 和 V2 怎么选？答：追音质和多语言能力就选 V2，它换了训练策略、音质更好，额外装 MeloTTS 依赖即可，步骤在 docs/USAGE.md 的 V2 章节。

下一步

OpenVoice 把"克隆一个能用的声音"的成本压到 10 秒录音加几条命令。现在就打开 demo_part1.ipynb 跑完三格，听到第一版输出后，再回头按需切语言、调风格参数。

【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