/clone-voice

一个带web界面的声音克隆工具,使用你的音色或任意声音来录制音频

Primary LanguagePythonMozilla Public License 2.0MPL-2.0

加入Discord讨论组

CV声音克隆工具

这是一个声音克隆工具,可使用任何人类音色,将一段文字合成为使用该音色说话的声音,或者将一个声音使用该音色转换为另一个声音。

使用非常简单,没有N卡GPU也可以使用,下载预编译版本,双击 app.exe 打开一个web界面,鼠标点点就能用。

支持 中文英文日语韩语 4种语言,可在线从麦克风录制声音。

为保证合成效果,建议录制时长5秒到20秒,发音清晰准确,不要存在背景噪声。

英文效果很棒,中文效果还凑合。

视频演示

out.mp4

使用方法

  1. 右侧Releases中下载预编译版,适用于window 10/11(已含全部模型,分为3个压缩卷),Mac下请拉取源码自行编译

  2. 下载后解压到某处,比如 E:/clone-voice 下

  3. 双击 start.bat ,等待自动打开web窗口,如下

  4. 转换操作步骤

    • 在文本框中输入文字、或导入srt文件,或者选择“声音->声音”,选择要转换的声音wav格式文件
    • 然后从“要使用的声音wav文件”下拉框中选择要用的声音,如果没有满意的,也可以点击“本地上传”按钮,选择已录制好的5-20s的wav声音文件。或者点击“开始录制”按钮,在线录制你自己的声音5-20s,录制完成点击使用
    • 点击“立即开始生成”按钮,耐心等待完成。
  5. 如需GPU支持,请拉取源码本地编译

源码部署/以window为例,其他类似

源码版需要全局代理,因为要从 https://huggingface.co 下载模型,而这个网址国内无法访问

  1. 要求 python 3.9+
  2. 创建空目录,比如 E:/clone-voice
  3. 创建虚拟环境 python -m venv venv
  4. 激活环境 cd venv/scripts,activate,cd ../..
  5. 安装依赖 CPU版: pip install -r requirements.txt, GPU版:pip install -r requirements-gpu.txt
  6. 解压 ffmpeg.7z 到项目根目录
  7. 下载模型 文字到语音(text-to-speech)模型语音到语音(speect-to-speech)模型 到项目目录下的tts文件中,然后解压到当前文件夹,或者无需手动下载,挂全局代理,在线下载
  8. 启动 python app.py
  9. CUDA支持:如果你的显卡是 Nvidia,可以根据显卡驱动版本和操作系统版本,去安装对应的 CUDA Toolkit 11.8 ,建议预先将显卡驱动升级到最新版,再去安装。

执行 pip uninstall torch torchaudio torchvision 卸载,然后去 https://pytorch.org/get-started/locally/ 根据你的操作系统类型和 CUDA 版本,选择命令

然后将 pip3 改为 pip,再复制命令去执行。

安装完毕后,在该环境里,执行 python,等待进入后,再分别执行 import torch,torch.cuda.is_available(),如果有输出,说明CUDA配置正确,否则请检查配置或者重新配置CUDA

模型单独下载地址

模型下载地址

注意事项

  1. 源码版需要全局代理,因为要从 https://huggingface.co 下载模型,而这个网址国内无法访问

  2. 启动后需要冷加载模型,会消耗一些时间,请耐心等待显示出http://127.0.0.1:9988, 并自动打开浏览器页面后,稍等两三分钟后再进行转换

  3. 功能有:

     文字到语音:即输入文字,用选定的音色生成声音,这个功能预编译已包含模型,开箱即用。
     
     声音到声音:即从本地选择一个音频文件,用选定的音色生成另一个音频文件,为减小预编译版体积,没有包含在内,需要单独下载模型,放在app.exe 同目录下的tts文件夹中,解压到当前文件夹下,解压后会多两个文件夹,`voice_conversion_models--multilingual--vctk--freevc24`和`wavlm`,请确保位置正确
    
  4. 如果打开的cmd窗口很久不动,需要在上面按下回车才继续输出,请在cmd左上角图标上单击,选择“属性”,然后取消“快速编辑”和“插入模式”的复选框