Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

声音复刻

Answer

声音复刻相关知识如下：

Content generated by AI large model, please carefully verify (powered by aily)

References

GPT-SoVITS-实现 AIyoyo 声音克隆

1.[heading4]微调训练[content]1.开启SoVITS训练，&开启GPT训练[heading4]推理[content]1.开始推理-刷新模型-选择微调后的模型-yoyo[heading4]成功[content]出现新的URL，说明你自己的声音微调完毕，然后可以进行啦[heading3]四、声音复刻[heading4]开启声音复刻之旅吧[content]1.实现跨多语种语言的声音，不是梦[heading4]实践的样本[content]AIyoyo普通话-满江红[满江红普通话。wav](https://drive.weixin.qq.com/s?k=AJMA1Qc4AAwbkbzYu0AQ8AbQYrAGo)AIyoyo粤语版-满江红[满江红粤语。wav](https://drive.weixin.qq.com/s?k=AJMA1Qc4AAwsRaRfHrAQ8AbQYrAGo)[heading2]五、关于我[content]大家好～我是yoyo??坐标北京，铲屎官一枚?AIGC的小白，持续进阶成长，致力于打造一个自己的智能体☕️以上期待能够给到各位一点启发感谢家属带我在“[通往AGI之路](https://waytoagi.feishu.cn/wiki/QPe5w5g7UisbEkkow8XcDmOpn8e)”打开新世界，接触有趣的事情，结识有趣的人

GPT-SoVITS实现声音克隆

GPT-SoVITS：只需1分钟语音即可训练一个自己的TTS模型。GPT-SoVITS是一个声音克隆和文本到语音转换的开源Python RAG框架。5秒数据就能模仿你，1分钟的声音数据就能训练出一个高质量的TTS模型，完美克隆你的声音！根据演示来看完美适配中文，应该是目前中文支持比较好的模型。界面也易用。主要特点：1、零样本TTS：输入5秒的声音样本即可体验即时的文本到语音转换。2、少量样本训练：只需1分钟的训练数据即可微调模型，提高声音相似度和真实感。模仿出来的声音会更加接近原声，听起来更自然。跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。3、易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和GPT/SoVITS模型。4、适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括Windows。5、预训练模型：项目提供了一些已经训练好的模型，你可以直接下载使用。GitHub：[https://github.com/RVC-Boss/GPT-SoVITS](https://t.co/BpHX4SlsO3)[…](https://t.co/BpHX4SlsO3)视频教程：[https://bilibili.com/video/BV12g4y1m7Uw/](https://t.co/Uo7WtSSUGO)[…](https://t.co/Uo7WtSSUGO)[[twi]@小互(@_twi(1).mp4](https://bytedance.feishu.cn/space/api/box/stream/download/all/RymsbKdweody4Cxwtsqc7Yuenxd?allow_redirect=1)使用：

TTS 数据整理

|汇总||大量语音数据的汇总|https://github.com/RevoSpeechTech/speech-datasets-collection||-|-|-|-||TTS|WenetSpeech4TTS|12,800小时的配对音频-文本数据|[https://huggingface.co/datasets/Wenetspeech4TTS/WenetSpeech4TTS](https://huggingface.co/datasets/Wenetspeech4TTS/WenetSpeech4TTS)||TTS|[米哈游-星穹铁道](https://github.com/AI-Hobbyist/StarRail_Datasets)|包含中文和日语英文韩语，请注意版权问题！|https://github.com/AI-Hobbyist/StarRail_Datasets||TTS|[米哈游-原神](https://github.com/AI-Hobbyist/Genshin_Datasets)|包含中文和日语英文韩语，请注意版权问题！|[https://github.com/AI-Hobbyist/Genshin_Datasets](https://github.com/AI-Hobbyist/Genshin_Datasets)||TTS|赛博朋克2077|请注意版权问题！|[https://openi.pcl.ac.cn/Stardust_minus/fish-speech/datasets](https://openi.pcl.ac.cn/Stardust_minus/fish-speech/datasets)||TTS-中文|[baker标贝女声](https://www.data-baker.com/open_source.html)|12小时|[https://www.data-baker.com/open_source.html](https://www.data-baker.com/open_source.html)||TTS-中文|[Aishell-3](http://www.aishelltech.com/aishell_3)|85小时多说话人数据|[http://www.aishelltech.com/aishell_3](http://www.aishelltech.com/aishell_3)||TTS-中文|[DiDiSpeech](https://outreach.didichuxing.com/research/opendata/)|500人60小时，但目前已经404无法再获取|[https://outreach.didichuxing.com/research/opendata/](https://outreach.didichuxing.com/research/opendata/)||TTS-中文|[OpenSLR](https://www.openslr.org/resources.php)|提供各种语言的合成、识别等语料|https://www.openslr.org/resources.php||TTS-中文|zhvoice|3200说话人900小时，用于声音复刻，合成，识别等|[https://github.com/fighting41love/zhvoice](https://github.com/fighting41love/zhvoice)||TTS-英文|LibriTTS|基于Librispeech筛选而来，更适合用于做TTS，采样率24k，大约585小时2,456人，其中的train-clean-100包含53.8小时/247个发言人|[https://www.openslr.org/60/](https://www.openslr.org/60/)||TTS-英文|LJ Speech|大约24小时|[https://keithito.com/LJ-Speech-Dataset/](https://keithito.com/LJ-Speech-Dataset/)|

Others are asking
如何复刻我的声音
以下是复刻声音的相关步骤和信息： 1. 前置数据获取处理 选择音频，开启切割。 有噪音时，进行降噪处理。 降噪处理完成，开启离线 ASR。 2. GPTSowitsTTS 训练集格式化：开启一键三连，耐心等待即可。 微调训练：开启 SoVITS 训练和 GPT 训练。 推理：开始推理 刷新模型 选择微调后的模型 yoyo。 3. 声音复刻 开启声音复刻之旅。 实现跨多语种语言的声音。 实践的样本：AIyoyo 普通话 满江红 GPTSoVITS 的特点： 1. 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 2. 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感。模仿出来的声音会更加接近原声，听起来更自然。 3. 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 4. 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 5. 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 6. 预训练模型：项目提供了一些已经训练好的模型，你可以直接下载使用。 GitHub： 视频教程： 使用技巧： 1. 更换音色：一开始会感觉很简单，就只是字生成语音，能选的也就是不同的音色。音色因为基于网络红人训练，因此生成的语音音色会和对应的网络红人非常相像。只要选择和自己需要非常接近的音色即可。如果没有接近的音色，也可以自己训练一个，参考 WaytoAGI 的知识库：
2025-02-08
现在AI领域做语音模型比较好的有哪几家？音色复刻做的比较好的有哪些
在 AI 领域，做语音模型较好的有阿里，其 CosyVoice 语音合成模型有以下特点： 精细控制：能生成符合性别、年龄和个性特征的声音。 自然模拟：可模拟笑声、咳嗽和呼吸等人类语音自然特征。 情感和风格：能够为声音添加情感和风格，更具表现力。 GitHub 链接：https://github.com/FunAudioLLM/CosyVoice 相关链接：https://x.com/imxiaohu/status/1818942399705710700 。但关于音色复刻做的比较好的，上述信息中未明确提及。
2025-01-19
声音复刻
声音复刻主要通过 GPTSoVITS 来实现，以下是相关步骤和信息： 1. 前置数据获取处理： 选择音频并进行切割。 若有噪音，进行降噪处理。 降噪处理完成后，开启离线 ASR。 2. GPTSowitsTTS： 训练集格式化：开启一键三连，耐心等待。 微调训练：开启 SoVITS 训练和 GPT 训练。 推理：开始推理，刷新模型，选择微调后的模型（如 yoyo）。 3. 声音复刻：开启声音复刻之旅，可实现跨多语种语言的声音。 4. 实践的样本： AIyoyo 普通话 满江红 AIyoyo 粤语版 满江红 GPTSoVITS 是一个声音克隆和文本到语音转换的开源 Python RAG 框架，具有以下特点： 1. 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 2. 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感。 3. 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 4. 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 5. 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 6. 预训练模型：项目提供了一些已经训练好的模型，你可以直接下载使用。 GitHub： 视频教程： 此外，还有以下开源 TTS 数据可供参考： |汇总|大量语音数据的汇总| |||| |TTS|WenetSpeech4TTS|12,800 小时的配对音频 文本数据| |TTS| |TTS| |TTS|赛博朋克 2077|请注意版权问题！| |TTS中文| |TTS中文| |TTS中文| |TTS中文| |TTS中文|zhvoice|3200 说话人 900 小时，用于声音复刻，合成，识别等| |TTS英文|LibriTTS|基于 Librispeech 筛选而来，更适合用于做 TTS，采样率 24k，大约 585 小时 2,456 人，其中的 trainclean100 包含 53.8 小时/247 个发言人| |TTS英文|LJ Speech|大约 24 小时|
2024-12-16
声音复刻
声音复刻相关内容如下： GPTSoVITS 实现 AIyoyo 声音克隆： 前置数据获取处理：选择音频，开启切割；有噪音时，进行降噪处理；降噪处理完成，开启离线 ASR。 GPTSowitsTTS：训练集格式化需开启一键三连，耐心等待；包括微调训练、推理，推理时开始推理刷新模型选择微调后的模型yoyo，成功后会出现新的 URL 表明声音微调完毕。 声音复刻：可以开启声音复刻之旅，能够实现跨多语种语言的声音。 实践的样本：AIyoyo 普通话满江红 。 GPTSoVITS 实现声音克隆： GPTSoVITS 是一个声音克隆和文本到语音转换的开源 Python RAG 框架。只需 1 分钟语音即可训练一个自己的 TTS 模型，5 秒数据就能模仿，1 分钟的声音数据就能训练出高质量的 TTS 模型，完美克隆声音。主要特点包括零样本 TTS、少量样本训练、跨语言支持、易于使用的界面、适用于不同操作系统、提供预训练模型。 GitHub： 。 TTS 数据整理： 开源 TTS 数据汇总： 大量语音数据的汇总： TTS WenetSpeech4TTS：12,800 小时的配对音频 文本数据： TTS 米哈游 星穹铁道：包含中文和日语英文韩语，请注意版权问题！ TTS 米哈游 原神：包含中文和日语英文韩语，请注意版权问题！ TTS 赛博朋克 2077：请注意版权问题！ TTS 中文 baker 标贝女声：12 小时 TTS 中文 Aishell3：85 小时多说话人数据 TTS 中文 DiDiSpeech：500 人 60 小时，但目前已经 404 无法再获取 TTS 中文 OpenSLR：提供各种语言的合成、识别等语料 TTS 中文 zhvoice：3200 说话人 900 小时，用于声音复刻，合成，识别等 TTS 英文 LibriTTS：基于 Librispeech 筛选而来，更适合用于做 TTS，采样率 24k，大约 585 小时 2,456 人，其中的 trainclean100 包含 53.8 小时/247 个发言人 TTS 英文 LJ Speech：大约 24 小时
2024-12-16
AI复刻怎么做
AI 复刻，以吴恩达开源的 AI 翻译项目 Coze 为例，主要步骤如下： 1. 初步的翻译大模型节点：选择一个大模型对源语言文本进行初始翻译，如选择 MiniMax 大模型，提示词可参考吴恩达教授的相关内容。 2. 选择器节点：判断用户填写的要求中是否有特殊的语言翻译特色或口音。 3. 反思优化的大模型节点：配置反思优化的提示词，告诉模型如何思考和优化翻译结果。提示词的设计至关重要，可参考项目给出的示例提示词，也可根据自身经验和需求改进。 4. 结合反思优化建议再翻译的大模型节点：结合反思优化的建议和初始翻译结果再次进行翻译，以获得更好的翻译结果。 此外，该项目还具有以下特点： 1. 反思优化：通过对自身的反思和优化来提升翻译质量。 2. 使用工具：借助外部工具和资源。 3. 计划：预先制定好 Agent 的实现计划。 4. 多 Agent 合作：通过多个 Agent 之间的合作实现目标。 同时，项目还引入了一些创新点，如分块处理（将长文本拆分成若干小块分别进行翻译和优化，提高处理效率和局部优化效果）和语言习惯指定。 首先，在 Coze 上新建一个工作流，逐步导入核心流程。工作流分为若干节点，每个节点完成特定任务，组合形成完整翻译流程。运行测试时可看到每个节点的执行过程和结果。开始节点需选择翻译的源语言和目标语言，还可设置其他参数，如翻译的语言特色等，建议根据实际情况调整。
2024-09-23
如果让 ai 复刻《千里江山图》的局部细节，该如何写提示词
要让AI复刻《千里江山图》的局部细节，需要提供清晰、具体的指令，以确保AI能够理解并执行任务。以下是一些可能的提示词和步骤： 1. 明确任务：首先，明确告诉AI你想要复刻的是《千里江山图》的哪个部分，例如：“请复刻《千里江山图》中的山水细节。” 2. 详细描述：提供该局部细节的具体描述，包括颜色、纹理、风格等特征，例如：“重点复刻山峦的层次、水波的流动感以及树木的形态。” 3. 风格指定：如果需要保持原作的风格，可以指定：“请保持宋代山水画的细腻笔触和深远意境。” 4. 技术要求：如果需要特定的技术或效果，例如：“使用高精度的图像处理技术，确保细节的清晰度和真实感。” 5. 尺寸和比例：指定复刻作品的尺寸和比例，例如：“复刻尺寸为原图的一半，保持原有比例。” 6. 材料和工具：如果AI复刻作品需要使用特定的材料或工具，可以指定：“使用数字绘图板和高级绘画软件。” 7. 质量标准：设定作品的质量标准，例如：“确保复刻作品的色彩和细节与原画高度一致。” 8. 反馈和修正：如果AI可以进行交互，可以要求：“在复刻过程中，根据我的反馈进行必要的修正。” 9. 版权和法律：提醒AI注意版权和法律问题，例如：“在复刻过程中，请确保遵守相关的版权法规。” 10. 最终目标：明确复刻作品的最终目标，例如：“复刻的目的是为了艺术教育和展览，需要具有高度的艺术价值。” 结合以上提示，一个完整的提示词示例可能是： “请复刻《千里江山图》中山水细节部分，重点体现山峦层次、水波流动和树木形态，保持宋代山水画的细腻笔触和深远意境。使用高精度图像处理技术，确保细节清晰度和真实感。复刻尺寸为原图的一半，保持原有比例。使用数字绘图板和高级绘画软件，确保色彩和细节与原画高度一致。在复刻过程中，根据我的反馈进行修正，并确保遵守版权法规。复刻作品用于艺术教育和展览，需要具有高度的艺术价值。” 请注意，AI的复刻能力取决于其训练数据和算法的复杂性，可能无法完全达到人类艺术家的水平。
2024-06-04
声音克隆
GPTSoVITS 是一个用于声音克隆和文本到语音转换的开源 Python RAG 框架，具有以下特点和使用方法： 特点： 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感，模仿出来的声音更接近原声且自然。 跨语言支持：支持英语、日语和中文等不同语言的推理。 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，方便初学者创建训练数据集和模型。 适用于不同操作系统：可在包括 Windows 在内的多种操作系统上安装和运行。 提供预训练模型：可直接下载使用。 使用： 开源数字人组合方案： 第一步：先剪出音频，使用 https://elevenlabs.io/speechsynthesis 或 GPTSoVITS 克隆声音，做出文案的音频。 第二步：使用 wav2lip 整合包，导入视频和音频，对口型得到视频。基础 wav2lip+高清修复整合包下载地址：https://github.com/Rudrabha/Wav2Lip 。 GPTSoVITS 实现 AIyoyo 声音克隆： 前置数据获取处理： 选择音频，开启切割。 有噪音时，进行降噪处理。 降噪处理完成，开启离线 ASR 。 GPTSowitsTTS： 训练集格式化：开启一键三连，耐心等待。 微调训练：开启 SoVITS 训练和 GPT 训练。 推理：开始推理 刷新模型 选择微调后的模型 yoyo 。成功后会出现新的 URL ，表示声音微调完毕。 声音复刻：可实现跨多语种语言的声音，如 AIyoyo 普通话 满江红 。 GitHub 地址： 。
2025-04-18
我有一份青年创新讲稿，想用自己的数字形象和我自己的声音讲解，背景要做一些和讲稿内容相符的视频。什么工具最称手呢？
以下是一些适合您需求的工具： 1. HeyGen：这是一个 AI 驱动的平台，能创建逼真的数字人脸和角色。它运用深度学习算法生成高质量肖像和角色模型，适用于游戏、电影和虚拟现实等领域。 2. Synthesia：一个 AI 视频制作平台，允许创建虚拟角色并进行语音和口型同步，支持多种语言，可用于教育视频、营销内容和虚拟助手等场景。 3. DID：一家提供 AI 拟真人视频产品服务和开发的公司，只需上传人像照片和输入要说的内容，平台的 AI 语音机器人会自动转换成语音，然后合成逼真的会开口说话的视频。 此外，还有以下工具供您参考： 1. 开源且适合小白用户的工具：具有一键安装包，无需配置环境，简单易用。其功能包括生成数字人视频，支持语音合成和声音克隆，操作界面中英文可选，系统兼容 Windows、Linux、macOS，模型支持 MuseTalk（文本到语音）、CosyVoice（语音克隆）。使用时需下载 8G+3G 语音模型包，启动模型即可。相关链接：GitHub： 2. Google Veo 2：能生成逼真的 Vlog 视频，效果接近真实，几乎难以分辨，适合创作和内容制作。相关链接： 请注意，这些工具的具体功能和可用性可能会随时间和技术发展而变化。在使用时，请确保遵守相关使用条款和隐私政策，并注意对生成内容的版权和伦理责任。
2025-04-02
我想了解如何提取自己的声音并实现大模型以我的声音回答我
要提取自己的声音并实现大模型以您的声音回答，目前提供的知识库中没有直接相关的详细内容。但可以为您提供一些可能有用的思路和参考方向： 对于声音提取，可能需要使用专业的音频处理软件和设备，将您的声音录制并进行处理和分析。 关于让大模型以您的声音回答，这可能涉及到语音合成技术。您可以先了解一些常见的语音合成模型和工具，例如通过创建大模型问答应用，获取推理 API 服务等。 同时，还可以参考一些关于大模型和语音处理的专业知识，比如大模型的本质是基于语言的概率模型，通过设置合适的 Prompt 来引导模型输出更准确的结果。 由于知识库中没有确切的针对您需求的详细步骤和方法，以上内容仅供您初步参考。
2025-04-01
我想找一个克隆声音的网站
以下是一些可以克隆声音的网站： Elevenlabs.io speechify.com https://klingai.kuaishou.com/ Fish Audio：https://fish.audio/zhCN/train/newmodel/ （操作步骤：准备一段需要克隆的音频，打开网站上传音频，按照指引完成声音克隆，进入声音库选择需要使用的声音，输入文案生成音频文件并下载备用）
2025-03-31
克隆声音
以下是关于克隆声音的相关内容： 开源的数字人组合方案中，克隆声音的步骤如下： 1. 先剪出音频，可使用 https://elevenlabs.io/speechsynthesis 或使用 GPTsovits（https://waytoagi.feishu.cn/wiki/SVyUwotn7itV1wkawZCc7FEEnGg ）克隆声音，做出文案的音频。 2. 使用 wav2lip 整合包，导入视频和音频，对口型得到视频。基础 wav2lip+高清修复整合包下载地址为 https://github.com/Rudrabha/Wav2Lip 。产品可参考 https://synclabs.so/ 。 在剪映中克隆声音的步骤： 1. 打开剪映，点击左上角菜单——文本，从默认文本开始，在右边文本框输入文字。 2. 输入文字后，点击上面的菜单栏——朗读，会看到克隆音色和文本朗读两个按钮。 3. 克隆音色步骤：点击克隆音色——点击克隆。如果使用电脑版演示，未检测到麦克风时无法录制，手机版可直接点击下面的按钮开始录制。 4. 文本朗读：直接把输入的文本转换成剪映系统自带的各种成品音色，选择合适的音色，点击开始朗读即可生成。 5. 最后，删除输入的文本。 另外，还有配音工具 DubbingX 也可用于配音。
2025-03-31
想要生成克隆某个人的声音，然后做成视频，怎么做
要生成克隆某个人的声音并做成视频，您可以按照以下步骤进行操作： 声音克隆： 1. 准备一段需要克隆的音频（可以是类似屈原的古风声音，或自行录制一段）。 2. 打开网站：https://fish.audio/zhCN/train/newmodel/ 。 3. 上传准备好的音频，按照指引完成声音克隆。 4. 进入声音库选择需要使用的声音，将第一步生成的文案输入，使用克隆好的声音生成对应的音频文件。 5. 下载生成的音频文件备用。 视频合成： 1. 在网上下载“回答我”的原视频。 2. 打开 Viggle.ai 网站，登录后进入视频合成功能：https://viggle.ai/createmix 。 3. 上传“回答我”原视频和第二步生成的人物形象图，生成新版本的“回答我”视频。 4. 预览效果，满意后下载合成好的新视频。 视频剪辑： 1. 打开剪映软件（手机或电脑版均可）。 2. 导入第二步合成好的新视频和第一步生成的音频文件。 3. 将音频与视频时间轴对齐，确保声音和画面同步，添加字幕等。 4. 如需叠加特殊背景，可以导入自己的背景图（如楚国风景）。 5. 预览整个视频，检查效果，微调后导出最终视频（建议 MP4 格式）。 此外，您还可以参考以下工具： 数字人工具：开源且适合小白用户，特点是一键安装包，无需配置环境，简单易用。功能包括生成数字人视频，支持语音合成和声音克隆，操作界面中英文可选。系统兼容 Windows、Linux、macOS。模型支持 MuseTalk（文本到语音）、CosyVoice（语音克隆）。使用步骤：下载 8G+3G 语音模型包，启动模型即可。GitHub：https://github.com/modstartlib/aigcpanel 官网：https://aigcpanel.com 。 希望这些信息对您有所帮助。
2025-03-30