OpenVoice 语音克隆本地部署完整指南：3秒音频秒变你的专属 TTS

OpenVoice 语音克隆本地部署完整指南：3秒音频秒变你的专属 TTS

【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

你手上有几秒的人声录音，想让这段声音念出任意文字，还能切换情绪、调整语速，甚至跨语言朗读？OpenVoice 就是干这个的。这篇指南带你从拉仓库到听到第一段合成语音，再把最常见的坑提前标出来，省去反复折腾的时间。

环境准备：先对一遍这份清单

OpenVoice 官方只支持 Linux 环境，如果你用 Windows 或 macOS，可以参考 docs/USAGE.md 末尾社区贡献的安装方式。

依赖全部锁定在 requirements.txt 里，pip install -e .会一次装齐，包括librosa==0.9.1、faster-whisper==0.9.0、gradio==3.48.0等。

最短路径：先听到第一段合成语音

下面这几条命令跑完，你就能在终端里听到 OpenVoice 生成的声音了。

# 创建独立环境，Python 版本必须 3.9 conda create -n openvoice python=3.9 -y conda activate openvoice # 克隆仓库并安装 git clone https://gitcode.com/GitHub_Trending/op/OpenVoice cd OpenVoice pip install -e .

模型权重不随仓库分发，需要单独下载：V1 的 checkpoint 压缩包解压到项目根目录下的checkpoints/文件夹，V2 解压到checkpoints_v2/（下载地址见 docs/USAGE.md 对应章节）。

核心代码就四步，直接照抄：

import torch from openvoice import se_extractor from openvoice.api import BaseSpeakerTTS, ToneColorConverter device = "cuda:0" if torch.cuda.is_available() else "cpu" # 1. 加载基础 TTS 和音色转换器 base_tts = BaseSpeakerTTS('checkpoints/base_speakers/EN/config.json', device=device) base_tts.load_ckpt('checkpoints/base_speakers/EN/checkpoint.pth') converter = ToneColorConverter('checkpoints/converter/config.json', device=device) converter.load_ckpt('checkpoints/converter/checkpoint.pth') # 2. 从参考音频提取音色向量 target_se, _ = se_extractor.get_se('resources/example_reference.mp3', converter, target_dir='processed', vad=True)

再调用base_tts.tts()生成一段中间音频，接着用converter.convert()把音色"换"成你的，就完事了。原理上它把音色和风格拆开处理：基础 TTS 负责"说什么、怎么说"，转换器只负责"用谁的声音说"，互不干扰。

场景拆解：三个高频用法

换个情绪、换个语速

基础 TTS 的speaker参数控制说话风格，可选值有：friendly、cheerful、excited、sad、angry、terrified、shouting、whispering。比如想生成一段耳语：

# speaker 换成 whispering，speed 调低到 0.9 base_tts.tts("This audio is generated by OpenVoice.", "outputs/tmp.wav", speaker='whispering', language='English', speed=0.9)

换完风格后别忘了重新加载对应的source_se文件（如en_style_se.pth），否则音色转换会对不上。完整示例在 demo_part1.ipynb 里，每个风格都有对应代码块。

中文 / 英文跨语言朗读

基础 TTS 内置了EN和ZH两个语言标记，直接传language='Chinese'即可切换。V2 版本则原生支持英语、西班牙语、法语、中文、日语、韩语六种语言，开箱即用。跨语言克隆的参考音频和输出文本可以是不同语言，不需要训练集里见过这种组合。具体写法看 demo_part2.ipynb，V2 用法看 demo_part3.ipynb。

不写代码，直接开 Gradio 界面

python -m openvoice_app --share

浏览器打开本地地址就能上传参考音频、输入文字、点生成，适合先快速验证效果再回头改参数。

避坑指南：踩过的坑都在这了

进阶方向与更多资源

• 官方使用文档：docs/USAGE.md，涵盖 V1/V2 安装、Gradio 启动、各语言 checkpoint 说明
• 常见问题：docs/QA.md，质量排查、语言支持、安装报错都有
• 风格控制示例：demo_part1.ipynb，每种情感风格都有可直接跑的代码
• 跨语言克隆示例：demo_part2.ipynb
• V2 多语言示例：demo_part3.ipynb
• 水印功能：ToneColorConverter默认开启wavmark水印（见 openvoice/api.py），公开部署时建议保留，避免语音被滥用
• 许可协议：V1 和 V2 均为MIT License，商业使用免费

【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