tmp-2026-09-07

中英双语语音合成模型（支持声音克隆）· 社区版

Downloaded from https://modelscope.cn/models/dengcunqin/pocket-tts-zh-en/files

一个中英双语语音合成（TTS）模型，支持声音克隆：给一段几秒钟的参考音频，即可用这个声音读出任意中英文文本。基于 CALM / Lagrangian Self Distillation（LSD）架构，可在 CPU / GPU 上自托管部署，数据不出本地。

🌐 在线体验：https://www.tulingyun.com/tts_clone.html

---

✨ 特性

• 🌏 中英双语：中文（普通话）+ 英文，同一条文本可混合中英文。
• 🎙️ 声音克隆：一段参考音频即可复刻音色，无需训练。
• 🖥️ 自托管 / 私有化：权重本地运行，音频与数据不经过第三方，适合隐私敏感场景。
• 💻 CPU 可跑：CPU 上可推理（CPU 4核心 RTF 0.1）。
• 📦 轻量：6 层 FlowLM + Mimi 编解码器。

🧠 模型详情

🚀 快速开始

1. 安装依赖

pip install onnxruntime soundfile sentencepiece numpy scipy

2. 下载模型

从 ModelScope（魔搭） 下载模型文件：

仓库包含：

• step_onnx_int8/：int8 量化 ONNX 模型（CPU 推理推荐，更小更快）
• step_onnx/：fp32 ONNX 模型
• chn_jpn_yue_eng_ko_spectok.bpe.model：SentencePiece 词表
• demo.py / step_runtime.py：推理运行时代码
• Vivian.wav：示例参考音色（可换成自己的任意 wav）

3. 合成（demo.py）

# int8 模型（CPU 推荐）
python demo.py --model-dir step_onnx_int8 --reference Vivian.wav --output output.wav

# fp32 模型
python demo.py --model-dir step_onnx --reference Vivian.wav --text "你好，世界。" --output output.wav

demo.py 为流式合成，会打印首帧延迟与 RTF（实时倍速）；参考音色换成你自己的 wav 即可，会自动重采样到 24kHz。

📝 文本预处理说明（重要）

本仓库发布的是 ONNX 模型 + 最简推理 demo：

• ✅ 短文本（一句话 / 一条通知）：开箱即用，直接合成。
• ⚠️ 长文本（一段话 / 文章 / 有声书）：需要文本预处理（长文本切割、逐块生成、拼接），否则长文本容易出现跑飞、重复、断句异常。
• ⚠️ demo.py 只做最简 BPE 分词：不含数字转中文、英文小写等归一化（chs2norm），文本里有数字/大写英文时请自行先做归一化。

文本预处理（长文本切割合并 + 完整归一化）不包含在本仓库中，属于商用授权的一部分；也可自行实现相应逻辑。

🔖 版本说明

📄 许可证

• 代码：Apache License 2.0。
• 模型权重（社区版）：CC BY-NC 4.0 —— 允许自由使用、修改、再分发，仅限非商业用途，需署名。

⚠️ 商业使用（将模型集成到对外收费的产品/服务、企业内部商用等）需单独购买商用授权。商用授权包含：商用合法使用权、长文本预处理、私有化部署与技术支持。

联系见文末「关于作者」。

⚠️ 免责声明

• 本项目仅供合法用途，请勿用于诈骗、伪造他人声音、传播虚假信息等违法活动。
• 声音克隆涉及被克隆者的肖像/声音权，请确保已获得本人授权。
• 社区版不提供任何形式的担保，使用风险自负。

👤 关于作者

作者常驻广州，专注语音技术方向（ASR/TTS），目前正积极寻找本地相关工作机会。

• 📧 邮箱：[email protected]
• 💬 微信：game_for_enjoy（请备注来意）
• FunASR 群：找「小邓」

如有兴趣交流技术或商用合作，欢迎联系。

🙏 致谢

本项目基于 kyutai-labs/pocket-tts（CALM / LSD 架构）与开源语音数据集（WenetSpeech4TTS、LibriTTS）构建，特此致谢。