- twomonkeys2026-08-13
我希望输入一段已经完成的语音，在尽可能保留原始内容、发音、语速、重音、停顿、气口、语调和情感的前提下，只改变说话人的音色和声纹。
有点像 elevenlab的一个演示 (https://www.youtube.com/watch?v=xU72OLqGdRo) 保持音调之类的, 音色换成另一个人的.
尝试了几个方法, 都不太行
- Applio/RVC：训练和推理流程已跑通，但音色变化不明显；继续增加训练轮数也没有实质改善。
- Vevo2 FM-only：短句有少量变化，长句稳定性不足。
- OpenVoice V2：能保留部分源音频时序，但目标音色相似度不足。
- IndexTTS 2.5：可以参考目标音色和风格重新生成，但不能严格保留源音频的原始韵律。
- Qwen3-TTS、VoxCPM2：能够根据参考音频生成目标音色，但不能稳定保留源音频原有的语调、停顿和节奏。
有佬有经验吗? 这种功能用啥方法能实现啊?
主楼 - 泽川2026-08-13
试试豆包语音呢，你看看火山里面 豆包人声做的挺不错的
- Crain2026-08-13
mimotts 免费，可以试试，效果ok
- WhaleInColdSky2026-08-13
可以试试隔壁的soniox？他们家的文字转语音还行
- twomonkeys2026-08-13
mimotts试过, 还不如开源的呢… 不知道咋回事…
- lueluelue2026-08-13
- gebide2026-08-13
cosyvoice呢？ 有些英文可能朗读不是很好，中文没啥问题
- twomonkeys2026-08-13
多谢老, 这就去试试, 看起来很靠谱的样子 ^-^
- murso2026-08-13
SSML语音标记文本，像cosyvoice这类也有自己的控制语法
- lueluelue2026-08-13
- muyouzhi2026-08-13
你这个需求不是tts，而是变声器，可以看看RVC这个项目，花儿不哭的，支持实时变声和音频推理（你的需求），GitHub - RVC-Project/Retrieval-based-Voice-Conversion-WebUI: Easily train a good VC model with voice data <= 10 mins! · GitHub
- V_Arrow2026-08-13
正解，类似的音色转换还包括so-vits-svc（仓库早已归档）和DDSP
- AnimalCollective2026-08-13
要求这么高么，我项目就是VoxCPM，感觉已经可以了
- AnimalCollective2026-08-13
楼主有试到效果好的，可以回来推荐一下 ^-^
- 秋实2026-08-13
我印象中这种貌似不是很难？RVC 和 GPT-SoVits 都是可以的
- twomonkeys2026-08-13
- V_Arrow2026-08-13
我个人接触过so-vits-svc、RVC、DDSP，都练过模型，第一个练的最多，个人经验是so-vits-svc上下限差距很大，如果提供的训练数据质量高，效果基本是最好的，但反之数据量过少、质量差可能练出来一堆噪声。相同的数据集练RVC和DDSP总是电音很重的感觉，可能当数据实在太少的话可以尝试保底