几秒语音克隆、免费商用：OpenVoice 完整快速上手指南-育师

几秒语音克隆、免费商用：OpenVoice 完整快速上手指南

【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

做播客、录教程视频时，最头疼的往往是“声音不够对味”——找配音要花钱，换音色又不像自己。MIT 与 MyShell 联合开源的 OpenVoice 就是干这个的：它是一个语音基础模型，录几秒你自己的声音，它就能用这个音色把你指定的任何文本念出来，而且模型采用 MIT 许可证，商用免费。

一分钟看懂

它解决的核心问题很朴素：AI 会说话，但说的不是“你的声音”。OpenVoice 不需要任何训练或微调，丢进几秒参考音频，它就能用这个声音朗读任意文字；V2 版本还原生支持中文、英文、日语、韩语、法语、西班牙语共 6 种语言。最特别的设计在于它把“音色”和“表达方式”拆开了——只借用参考者的音色，情绪、口音、节奏照样由你来定。

最快上手：免安装、浏览器直接试

下面两条路线都不用装任何东西，MyShell 官网已有现成的在线服务，打开浏览器就能走通。

路线一：把你自己的声音变成可复用的声音模型

进入 MyShell 官网，打开 Workshop 板块。
新建一个 Bot，在语音设置里找到「语音克隆」入口并启用。
上传一段几秒长的参考音频：只有你一个人发声，背景尽量没有杂音。
输入想说的话，Bot 就会用克隆出来的音色朗读。

路线二：先听预置音色，熟悉整个流程

暂时不想克隆也没关系：在同一个 Workshop 里进入 Widget Center，按 TTS 分类筛选，点开任意一个音色卡片，立刻就能试听效果。

拆开看原理：两条线并行，最后再合并

它到底怎么克隆出“你”？把一条声音拆成两条独立的线处理：

一条是“说什么”——底层 TTS 模型根据文本和风格参数（口音、情绪、节奏、停顿等）先合成一段基础语音；另一条是“谁在说”——音色提取器从你的参考音频里分离出色调特征。最后两路在网络中合流：输出的语音带着参考者的音色，却穿着你设定的风格外衣。正因为音色与表达被解耦，它才能既克隆得像、又调得动。

想深入代码的话，推理入口在 openvoice/api.py，音色特征提取的实现则位于 openvoice/se_extractor.py。

本地部署：想深挖的人走最短路径

这条路线只适合想读实现细节、或必须离线跑的研究者。前提是能操作 Linux 命令行并配置 PyTorch 环境，显卡显存建议不低于 4GB。装环境只需要三行：

git clone https://gitcode.com/GitHub_Trending/op/OpenVoice cd OpenVoice pip install -e .

用 V2 的话，还要把对应 checkpoint 放到checkpoints_v2目录，并额外安装 MeloTTS，完整流程参阅 docs/USAGE.md。仓库里附了三个笔记本：demo_part1.ipynb 演示风格控制、demo_part2.ipynb 演示跨语言克隆、demo_part3.ipynb 演示 V2 用法；卡住时先翻 docs/QA.md。