声音克隆与技能生成器
从本人或已获授权的录音建立本地参考音色,经配对文字核对与试听确认后,导出独立的个人中文配音 Skill。
适用职业:内容创作者与媒体人员
关于声音克隆与技能生成器
声音克隆与技能生成器 v0.2.0 是面向本地 Agent 的自研工具:从本人或已获授权的录音建立参考音色,生成试听,并在实际听选后导出独立的个人中文配音 Skill。当前使用 Qwen3-TTS 0.6B Base 进行参考录音克隆,不训练个人模型权重。
流程包括检查环境、准备参考片段、核对配对文字、生成试听、记录真实反馈与导出技能。参考片段支持 3–30 秒,推荐 10–25 秒清晰的单人说话。没有实际试听认可时可导出明确标记的草稿;正式导出需要用户真实确认。
提供独立本地 ASR 候选转写及自动复核,辅助定位错漏读、数字、否定词和异常静音等疑点。每个声音独立保存采样及可选均衡设置,支持根据反馈创建修订并保留旧试听。自动检查与频谱指标不能代替对音色、发音和自然度的实际试听。
公开下载的是通用生成器完整包,包含技能定义、Python 代码、安装工具、操作文档、测试与通用试听文稿。个人录音、声音项目、导出的个人技能、模型、FFmpeg、Python 环境及本机配置均未包含在公开包内。个人声音项目和导出技能默认私有。
当前版本面向 Windows 10/11 与 NVIDIA CUDA,主控需要 Python 3.10+,模型、独立 ASR 环境及 FFmpeg 需按说明配置。本次分发验证完成 41 项测试且全部通过,测试使用合成夹具与 mock;未在本次上传流程中重新测试真实人物声音克隆、CUDA 推理或跨机器完整安装。封面和流程图为 AI 生成功能示意。
交付内容
- 01
通用生成器完整安装包:代码、流程文档、安装工具与测试
- 02
在实际试听确认后可导出的独立个人中文配音 Skill
- 03
WAV、MP3、SRT 和审查报告(需配置环境并完成实际生成)
- 04
每个音色独立的参考资料、采样设置与听选记录(默认私有)
从材料到成品
- 1
配置环境、完成试听并导出
解压到 voice-clone-skill-factory 独立目录,按安装文档加载 Skill。依 runtime.md 配置本地模型、CUDA 与 FFmpeg,再按 workflow.md 提供本人或已获授权的录音、核对配对文字并生成试听;真实听选后导出个人技能,没有认可时保持草稿。