集合视频翻译和音色克隆，照片说话功能为一体的平台，ViiTorai

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： 。

以下是关于语音克隆的相关信息： 有一款适合小白用户的开源数字人工具，具有以下特点和功能： 特点：一键安装包，无需配置环境，简单易用。 功能：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：支持 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 链接： 官网链接： 另外，CosyVoice 声音克隆仅需几秒音频样本，无需额外训练数据，可控制情绪情感、语速、音高。 详细内容：https://xiaohu.ai/p/10954 项目地址：https://funaudiollm.github.io 在线演示：https://modelscope.cn/studios/iic/CosyVoice300M

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步骤： 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，模仿出来的声音更接近原声且自然。 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. 提供预训练模型：项目提供了一些已经训练好的模型，可直接下载使用。 使用步骤： 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。 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，可实现跨多语种语言的声音。 相关资源： GitHub：https://github.com/RVCBoss/GPTSoVITS 视频教程：https://bilibili.com/video/BV12g4y1m7Uw/ 注册 colab 并启动准备：点击进入按照步骤注册即可 https://colab.research.google.com/scrollTo=Wf5KrEb6vrkR&uniqifier=2 ，新建笔记本，运行脚本启动 GPTSo VITS，整个过程比较漫长，需要耐心等待，可以整个脚本一起运行，也可以一段一段运行；运行过程包括克隆项目代码库、进入项目目录、安装 Python 依赖包、安装系统依赖、下载 NLTK 资源、启动 Web UI，运行成功后出现 public URL。 实践样本： AIyoyo 普通话 满江红 AIyoyo 粤语版 满江红

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）

以下是一些适合语音克隆的 AI： ：能将书面内容转化为引人入胜的音频，并实现无缝分发。 ：提供专业音频、语音、声音和音乐的扩展服务。 （被 Spotify 收购）：提供完全表达的 AI 生成语音，带来引人入胜的逼真表演。 ：利用合成媒体生成和检测，带来无限可能。 ：一键使您的内容多语言化，触及更多人群。 ：生成听起来真实的 AI 声音。 ：为游戏、电影和元宇宙提供 AI 语音演员。 ：为内容创作者提供语音克隆服务。 ：超逼真的文本转语音引擎。 ：使用单一 AI 驱动的 API 进行音频转录和理解。 ：听起来像真人的新声音。 ：从真实人的声音创建逼真的合成语音的文本转语音技术。 ：生成听起来完全像你的音频内容。 此外，还有以下相关信息： DubbingX2.0.3 中的海螺 AI 配音可以进行语音克隆，操作时需上传语音、命名声音、选择语言，原音频若有背景音乐最好在剪影中去除以保证生成的音色模型效果好且纯净。去除原音频背景杂音可通过打开剪映，按以下步骤操作：打开剪映，点击开始创作，导入原始音频或视频。 StepAudio：130B 语音文本多模态模型开源，集成语音识别、语义理解、对话生成、语音克隆、音频编辑、语音合成等功能，成本低质量高的语音克隆，支持“蒸馏”技术简化为更轻量版。

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。

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。

如果您想模仿名人的音色，一开始可能会觉得比较简单，只是字生成语音并选择不同的音色。音色通常基于网络红人训练，生成的语音音色会和对应的网络红人非常相像。您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：。但真正准备开始用就会发现，只改音色可能不够用。我们真正说话或配音时，通常是边思考边说，因此会带着一些口头禅，如“嗯”“啊”，甚至更特别的“m3？”，说话过程中会有重音、停顿，且一句手写语句也不全相同。

以下是一些关于克隆音色的相关信息： 产品推荐： PlayHT：https://play.ht/studio/ ，包含预设音色，可免费克隆一个音色，若想生成多个，删除上一个音色即可做新的。 Elevenlabs：https://elevenlabs.io/app ，包含预设音色，新用户 1 美元开通一个月会员，可使用克隆音色。 魔搭社区：https://www.modelscope.cn/home ，是一个模型开源社区及创新平台，由阿里巴巴通义实验室联合 CCF 开源发展委员会发起，包含各种声音模型，有开发经验的朋友可使用。 Dubbingx：https://dubbingx.com/ ，免费克隆音色，有桌面版，Mac、Window 均可用。 魔音工坊：https://www.moyin.com/ 对口型相关： Runway：静态图片+音频文件，可生成对口型视频；动态视频+音频文件，可生成对口型视频，但需要消耗 20 点。 Pika：静态图片+音频文件，可生成对口型视频。 其他： 剪映：不能使用预录制的音频，只能现场朗读随机提供的文字材料收集音色信息，1 积分=2 个字，消耗积分生成配音，会员每个月赠送 1200 积分。 GPTSoVITS：开源 AI 克隆音色项目，部署难度较高，但是效果很好，完整的教程和测评请查看原作者主页：https://space.bilibili.com/5760446 。 ElevenLabs 推出全自动化的 AI 配音或视频翻译工具，上传视频或粘贴视频链接，能全自动在几十秒到几分钟内将视频翻译成 29 种语言，还能克隆原视频里面的声音来配音。群友测试豆包的音色模仿，读大概 20 个字的句子，5 秒就可生成非常像的音色，之后可用自己的声音读生成的文字内容，声音音色模仿非常像。

要实现文字转语音并使用自己的音色，以下是一些方法和相关信息： ChatTTS 增强版整合包：当文本内容很多时，可以勾选文本切割来处理，默认五十字符切割，还能将音频片段合并为一整段音频。切割的音频片段也支持增强处理。保存后的音频文件结构清晰，包括合成的一整段音频、增强处理后的整段音频、切分的音频片段等。该版本增加了批量处理功能，可上传按句换行格式的 TXT 文本。音色固定，可通过点击随机按钮多尝试找到满意音色，并将设置和音色种子保存到配置文件方便下次使用。 ElevenLabs 工具：能全自动将视频翻译成 29 种语言，更能克隆原视频里的声音来配音。 GPTSoVITS + BertVITS2：一开始可选不同音色，基于网络红人训练，音色与网络红人相像。若没有接近的音色，可自己训练，参考 WaytoAGI 的知识库： 。但实际使用中只改音色可能不够，如说话时的口头禅、重音、停顿等。

以下是一些关于克隆音色的相关信息： 产品推荐： PlayHT：https://play.ht/studio/ ，包含预设音色，可免费克隆一个音色，若想生成多个，删除上一个音色即可做新的。 Elevenlabs：https://elevenlabs.io/app ，包含预设音色，新用户 1 美元开通一个月会员，可使用克隆音色。 魔搭社区：https://www.modelscope.cn/home ，是一个模型开源社区及创新平台，由阿里巴巴通义实验室联合 CCF 开源发展委员会发起，包含各种声音模型，有开发经验的朋友可使用。 Dubbingx：https://dubbingx.com/ ，免费克隆音色，有桌面版，Mac、Window 均可用。 魔音工坊：https://www.moyin.com/ 对口型相关： Runway：静态图片+音频文件，可生成对口型视频；动态视频+音频文件，可生成对口型视频，但需要消耗 20 点。 Pika：静态图片+音频文件，可生成对口型视频。 其他： 剪映：不能使用预录制的音频，只能现场朗读随机提供的文字材料收集音色信息，1 积分=2 个字，消耗积分生成配音，会员每个月赠送 1200 积分。 GPTSoVITS：开源 AI 克隆音色项目，部署难度较高，但效果很好，完整的教程和测评请查看：https://space.bilibili.com/5760446 。 Uberduck：克隆效果怪怪的，附官方使用指南：https://docs.uberduck.ai/guides/gettingstarted 。 ElevenLabs 推出全自动化的 AI 配音或视频翻译工具，可上传视频或粘贴视频链接，能全自动将视频翻译成 29 种语言，并克隆原视频声音。 豆包的音色模仿，读约 20 个字的句子，5 秒可生成相似音色，之后可用自己声音读生成的文字内容。 剪映也有新的声音克隆功能，效果不错。

以下是为您推荐的关于用 AI 克隆音色翻唱歌曲的相关内容： ElevenLabs 推出了全自动化的 AI 配音或视频翻译工具。您只需上传视频或粘贴视频链接，它能在几十秒到几分钟内将视频翻译成 29 种语言，还能克隆原视频中的声音进行配音。群友瑞华测试发现，模仿豆包的音色读约 20 个字的句子，5 秒就能生成非常相似的音色，之后可用自己的声音读生成的文字内容。详情可参考：https://mp.weixin.qq.com/s/nHIPaq4evPbvSQS1ctYZrA 剪映也有新的声音克隆功能，卡兹克做了对比，效果不错。 Stuart：免费 AI 真人语音入门 GPTSoVITS + BertVITS2 。一开始只是字生成语音并能选不同音色，音色基于网络红人训练，与对应的网络红人非常相像，也可自己训练，参考： 但真正使用时会发现只改音色不够用，因为真正说话或配音时有口头禅、重音、停顿等。 一些提供 AI Mastering 的网站列表： https://www.landr.com/onlineaudiomastering/ （收费） https://emastered.com/ （收费） https://app.kits.ai/aimastering （收费，推荐，除母带处理，还有分轨、替换人声、人声克隆等功能） https://app.bakuage.com/ （免费！强烈推荐，本文主角！正常情况下不需要魔法，为保证流畅，建议打开魔法）

以下是关于文字生成视频（文生视频）的相关信息： 一些提供文生视频功能的产品： Pika：擅长动画制作，支持视频编辑。 SVD：Stable Diffusion 的插件，可在图片基础上生成视频。 Runway：老牌工具，提供实时涂抹修改视频功能，但收费。 Kaiber：视频转视频 AI，能将原视频转换成各种风格。 Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 更多相关网站可查看：https://www.waytoagi.com/category/38 。 制作 5 秒单镜头文生视频的实操步骤（以梦 AI 为例）： 进入平台：打开梦 AI 网站并登录，新用户有积分可免费体验。 输入提示词：涵盖景别、主体、环境、光线、动作、运镜等描述。 选择参数并点击生成：确认提示词无误后，选择模型、画面比例，点击「生成」按钮。 预览与下载：生成完毕后预览视频，满意则下载保存，不理想可调整提示词再试。 视频模型 Sora：OpenAI 发布的首款文生视频模型，能根据文字指令创造逼真且充满想象力的场景，可生成长达 1 分钟的一镜到底超长视频，视频中的人物和镜头具有惊人的一致性和稳定性。

以下是 4 月 11 日、4 月 9 日和 4 月 14 日的 AI 视频相关资讯汇总： 4 月 11 日： Pika 上线 Pika Twists 能力，可控制修改原视频中的任何角色或物体。 Higgsfield Mix 在图生视频中，结合多种镜头运动预设与视觉特效生成视频。 FantasyTalking 是阿里技术，可制作角色口型同步视频并具有逼真的面部和全身动作。 LAM 开源技术，实现从单张图片快速生成超逼真的 3D 头像，在任何设备上快速渲染实现实时互动聊天。 Krea 演示新工具 Krea Stage，通过图片生成可自由拼装 3D 场景，再实现风格化渲染。 Veo 2 现已通过 Gemini API 向开发者开放。 Freepik 发布视频编辑器。 Pusa 视频生成模型，无缝支持各种视频生成任务（文本/图像/视频到视频）。 4 月 9 日： ACTalker 是多模态驱动的人物说话视频生成。 Viggle 升级 Mic 2.0 能力。 TestTime Training在英伟达协助研究下，可生成完整的 1 分钟视频。 4 月 14 日： 字节发布一款经济高效的视频生成基础模型 Seaweed7B。 可灵的 AI 视频模型可灵 2.0 大师版及 AI 绘图模型可图 2.0 即将上线。

以下是为您提供的 AI 视频教学相关内容： 1. 第一节回放 AI 编程从入门到精通： 课程安排：19、20、22 和 28 号四天进行 AI 编程教学，周五晚上穿插 AI 视频教学。 视频预告：周五晚上邀请小龙问露露拆解爆火的 AI 视频制作，视频在视频号上有大量转发和播放。 编程工具 tree：整合多种模型，可免费无限量试用，下载需科学上网，Mac 可拖到文件夹安装，推荐注册 GitHub 账号用于代码存储和发布，主界面分为工具区、AI 干活区、右侧功能区等。 网络不稳定处理：网络不稳定时尝试更换节点。 项目克隆与文件夹：每个项目通过在本地新建文件夹来区分，项目运行一轮一轮进行，可新建会话，终端可重开。 GitHub 仓库创建：仓库相当于本地项目，可新建，新建后有地址，可通过多种方式上传。 Python 环境安装：为方便安装提供了安装包，安装时要选特定选项，安装后通过命令确认。 代码生成与修改：在 tree 中输入需求生成代码，可对生成的代码提出修改要求，如添加滑动条、雪花形状、颜色等，修改后审查并接受。 2. AI 视频提示词库： 神秘风 Arcane：Prompt：a robot is walking through a destroyed city,,League of Legends style,game modelling 乐高 Lego：Prompt：a robot is walking through a destroyed city,,lego movie style,bright colours,block building style 模糊背景 Blur Background：Prompt：a robot is walking through a destroyed city,,emphasis on foreground elements,sharp focus,soft background 宫崎骏 Ghibli：Prompt：a robot is walking through a destroyed city,,Spirited Away,Howl's Moving Castle,dreamy colour palette 蒸汽朋克 Steampunk：Prompt：a robot is walking through a destroyed city,,fantasy,gear decoration,brass metal robotics,3d game 印象派 Impressionism：Prompt：a robot is walking through a destroyed city,,big movements

目前在视频视觉理解能力方面表现出色的大模型有： 1. 昆仑万维的 SkyReelsV1：它不仅支持文生视频、图生视频，还是开源视频生成模型中参数最大的支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其具有影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等优势。 2. 通义千问的 Qwen2.5VL：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。擅长万物识别，能分析图像中的文本、图表、图标、图形和布局等。

目前全世界较为厉害的视频视觉理解大模型有以下几个： 1. 昆仑万维的 SkyReelsV1：不仅支持文生视频、图生视频，是开源视频生成模型中参数最大且支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其优势包括影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等。 2. 腾讯的混元：语义理解能力出色，能精准还原复杂的场景和动作，如特定品种的猫在复杂场景中的运动轨迹、从奔跑到跳跃的动作转换、琴音化作七彩音符等。 3. Pixverse V3.5：全球最快的 AI 视频生成模型，Turbo 模式下可在 10 秒内生成视频，最快仅需 5 6 秒。支持运动控制更加稳定、细节表现力强、首尾帧生成功能，具备顶尖动漫生成能力。

以下是一个关于自动化出视频工作流的详细介绍： 优势： 全自动化处理，解放双手。 40 秒快速出片，效率提升。 成本低廉，每条仅需 0.0x 元。 输出质量稳定专业。 DeepseekR1 保证文案质量。 还能改进，例如可以加入配套 BGM，让视频更有感染力；增加更丰富的画面内容和转场效果；使用免费节点替代付费插件，进一步降低成本；优化模板样式，支持更多展示形式；增加自动化程度，支持批量处理。 工作流程： 1. 可以在扣子商店体验，建议自己搭建。 2. 工作流调试完成后，加入到智能体中，可以选择工作流绑定卡片数据，智能体则通过卡片回复。 3. 选择发布渠道，重点如飞书多维表格，填写上架信息（为了快速审核，选择仅自己可用），确认发布等待审核，审核通过后即可在多维表格中使用。 4. 创建飞书多维表格，添加相关字段，配置选择“自动更新”，输入相关字段后，“文案视频自动化”字段捷径会自动调用工作流，生成视频。 5. 表单分享，实现“填写表单，自动创建文案短视频”的效果。 6. 全自动视频合成使用多视频融合插件，一键导出成品。但需注意节点产生的视频是异步生成，可能无法马上展现，需耐心等待几秒。 如果您还有其他疑问或需要进一步的帮助，请随时联系。