OpenVoice即时语音克隆：10秒参考音频，让它用你的声音说话-平芜编程栈

OpenVoice即时语音克隆：10秒参考音频，让它用你的声音说话

【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

OpenVoice 是 MIT 与 MyShell 开源的即时语音克隆（上传一段简短参考人声，就能用同样音色朗读任意文本）音频基础模型：10 秒干净人声即可上手，不用训练模型，不用录音设备，权重免费可商用。

10秒人声就够用，免训练也免录音设备

它解决的是一个问题：想要稳定个人声音，却没有条件录几小时音、更没有成本训练模型。传统做法往往要录大量素材并跑一遍训练流程，而 OpenVoice 直接从 10 秒参考音频里提取音色特征。音色可以类比成你声音上的"印章"，模型只替换这枚印章，文字内容与说话方式则由文本和风格参数另行决定。

搞懂它干什么，接下来试的最快的路径是一行代码都不用写的在线服务。

零安装，在浏览器里体验即时语音克隆

MyShell 官方部署了英式英语、美式英语、中文等 9 个语言入口的在线服务，全程几分钟就能走完。操作顺序是：进入 Workshop 创建一个 Bot；在 Setting 里打开 Voice（TTS，即文本转语音合成），从 Widget Center 的 TTS 分类里挑一个顺耳的基础音色，每个模型都能直接试听；随后上传你的参考语音、输入要朗读的文本，几秒钟后就能听到目标音色的结果。

音色为什么像你、情绪却还是你指定的？答案藏在它内部的流水线上。

内部4步流水线，把音色与情绪各走各的通道

音色和情绪能各控各的，是因为流水线把两者拆成了独立通道。文本加风格参数（情感、口音、语调）先送入 Base speaker TTS 模型，合成一段带目标风格的语音；音色提取器再把参考音频压缩成音色特征向量；音色转换模块则把合成语音的音色替换为参考人的，同时保留全部风格特征。关键在中间的 IPA 对齐特征：这套编码抹掉了音色，却保住节奏、停顿与语调，所以换人声而不毁表达。

原理清楚了，再看它到底能交付什么、V2 又升级在哪。

开箱三项能力，6种语言直接覆盖

能力其实是三项：精准音色克隆，参考音频只需干净单人声；音色与风格分离，情绪、口音、节奏全由基础 TTS 控制，单独调节互不干扰；零样本跨语言克隆，参考人说的语言和输出语言不必相同。V2 版本在此基础上升级了音质，并原生支持英语、中文、日语、韩语、西班牙语、法语 6 种语言。

不想依赖在线服务、想把它接进自己项目的话，本地部署只需记住两条命令。

两条命令跑起本地服务，三个坑别踩

Linux 加 Python 3.9 环境，GPU 显存 4GB 以上即可运行：

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

装完后还要下载官方 checkpoint（模型权重文件），解压到 checkpoints（V1）或 checkpoints_v2（V2）目录，之后直接启动本地 Gradio（Web 演示页面）：

python -m openvoice_app --share

容易踩的三个坑：

漏下权重：启动时找不到模型，多数是跳过了 checkpoint 这一步，V1 和 V2 必须分开放。
首次运行要联网：se_extractor.py里的 silero-vad 组件（语音活动检测，用于截取有效人声片段）首次调用会自动下载，网络受限时需手动获取并解压到~/.cache/torch/hub/对应目录。
V2 多一步依赖：MeloTTS 要单独安装，unidic 词典也要下载，具体命令以官方使用文档为准。

部署的事说完了，再看看谁用这项技术最划算。

4类人用它最划算，先对号入座

官方把 OpenVoice 定位成"技术而非成品"（面向开发者和研究者），所以下面几类场景收益最大：

🎬 视频配音：换掉解说员音色但不改原节奏，省掉重新录制的档期。
📚 有声内容与朗读：同一音色批量产出中英朗读，一个人撑起一档节目。
📱 个性化语音助手：智能设备用熟悉的声音回应，家人更容易接受。
🗣️ 多语言学习：同一位"说话人"用不同语言读同一段文本，方便对比发音与语调。

场景明确了，还剩几个被问得最多的问题。

先查4个高频问题，再决定要不要动手

问得最多的是四个：硬件、语言、商用、"为什么不像"。硬件上，本地部署有 4GB 以上显存的 GPU 就够，用在线服务则完全不需要硬件。语言上，V2 原生覆盖 6 种语言，参考音频可以是任意语言，想加语言只需替换基础 speaker 模型。商用上，V1、V2 均为 MIT 协议，商业与研究用途都免费（以官方协议说明为准）。至于"为什么不像"，多数情况是参考音频带背景噪音、混入多人说话、时长太短或含大段静音，先查录音再怀疑模型。另一个易混点是：情绪和口音不会被克隆，它们由基础 TTS 模型决定。更多细节可查官方常见问题清单。

最后留好三个入口。