文本到语音 AI 代理商 音乐音乐 音频到文本 语音克隆 语音设计 市场地点 更多
Report Bug / Feature Request

实时声音克隆-克隆任何声音二秒

9种开放源码的克隆克隆模式,包括Chatterbox、CosyVoice 2、GPT-SoVITS和OpenVoice。 无需培训的零射克隆——上传样本并立即生成语音,所有模型都有商业许可。

实时 5-第二样本 9 克隆模型 开放源码 17+语文 情感控制
获得自由开始 视图定价

实时语音克隆功能

使用最新科技的AI即时克隆声音——没有训练,没有数据集,没有等待。

零热克隆

没有训练, 没有微调, 没有数据集收集。 上传5秒的音频, 并立即获得克隆声音。 人工智能实时提取语音特性 。

9 克隆模型

从聊天盒、 CosyVoice 2、 GPT- SoVITS、 OpenVoice、 Spark、 索引TTS-2、 GLM-TTS、 Quen3- TTS 和 Tortoise 中选择。 每种模型在质量、 速度 和语言上都有不同优势 。

跨语言克隆

CosyVoice 2 和 Quen3-TTS 维护17种以上语言的语音身份。

情感控制

聊天盒、 OpenVoice 和 GLM-TTS 支持情感调节的一代。 以不同的情感生成相同的文字 — — 快乐、悲伤、愤怒、低语 — — 同时保留克隆的声音。

开放源码与商业

根据麻省理工学院(MIT)或阿帕奇(Apache 2.0)的许可,每一种克隆模式都是开放源码。 在内容、产品和应用程序方面,使用克隆声音的商业用途,但没有使用费。

ANPI 克隆

用于方案语音克隆的REST API; 上传参考音频、 指定文本和接收克隆演讲。 Python 和 JavaScript 的 SDK 。 用于高容量工作流程的批次克隆 。

语音克隆模型

每个克隆使用案例的9个开放源模式

ChatterboxChatterbox

Premium

State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.

Medium 5/5 语音克隆

最佳用于: 总体质量最高——5秒样本、情绪控制、麻省理工学院许可

尝试 Chatterbox

CosyVoice 2CosyVoice 2

Standard

Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.

Medium 5/5 语音克隆

最佳用于: 最佳多语种克隆——保留中文、英文、日文、韩文的声音

尝试 CosyVoice 2

OpenVoiceOpenVoice

Premium

Instant voice cloning with granular control over style, emotion, and accent.

Medium 4/5 语音克隆

最佳用于: 带有情感和样式传输的快速调调色彩转换

尝试 OpenVoice

Spark TTSSpark TTS

Standard

Voice cloning TTS with controllable emotion and speaking style via prompts.

Medium 4/5 语音克隆

最佳用于: 最快的克隆模型——结果为~12秒

尝试 Spark TTS

IndexTTS-2IndexTTS-2

Standard

Zero-shot TTS with fine-grained emotion control and high expressiveness.

Medium 4/5 语音克隆

最佳用于: 极优秀的中文-英语克隆,有高发言者相似性

尝试 IndexTTS-2

Tortoise TTSTortoise TTS

Premium

Multi-voice text-to-speech focused on quality with autoregressive architecture.

Slow 5/5 语音克隆

最佳用于: 工作室质量结果——最佳音频书籍和高级说明

尝试 Tortoise TTS

实时语音克隆如何工作

从一个短音频样本到无限克隆语言

1

上传引用音频

记录或上传您想要克隆的声音中的5-30秒清晰的语音。 WAV, MP3 或直接记录在您的浏览器中 。

2

选择克隆模型

选择符合你需要的模型——质量的聊天箱,速度的闪烁,多语种的CosyVoice 2。

3

输入您的文本

键入或粘贴您想要用克隆声音表达的文本。 模型支持的任何语言都会起作用 。

4

生成和下载

点击在 10- 25 秒后生成并听到您的克隆声音。 下载为 WAV 或 MP3 以便立即使用 。

零热声音克隆如何工作

没有微调,没有数据集收集——只是上传和克隆

扩音器嵌入式抽取器

人工智能分析你的参考音频,以提取一个演讲者嵌入的音频——一个关于声音独特特点的精细数学表示,包括音速、音调、音节和声纹。这发生在1秒以下。

  • 仅用5秒的音频
  • 抓取音、 音、 音、 音、 音 风格
  • 无需培训或微调
  • 音频从未永久存储

有条件的言语综述

TTS模式产生了以发言人嵌入为条件的新演讲,结果听起来像参考演讲者说您的文字——自然地流传、适当强调,以及保留原声音在任何语言或内容中的特性。

  • 从单一样本生成无限制语音
  • 跨语言的克隆(使用参考语言中未使用的语言发言)
  • 情感和风格转移
  • 10-25秒后结果
尝试语音克隆

语音克隆示范比较

为您的克隆使用案例选择正确的模型

型 型 最小参考参考 速度速度 质量质量 语言语言语言语言语言 情感情感情感 许可证许可证许可证许可证
Chatterbox 5s ~21s 最佳 EN MIT
CosyVoice 2 5s ~20s 好极了 CN、EN、JP、KO+ Apache 2.0
GPT-SoVITS 5s ~16s 好极了 CN、EN、JP、KO 氯化萘、EN、EN、JP、KO MIT
OpenVoice 5s ~15s 好 EN、CN、CN、ES、FR+ MIT
Spark TTS 5s ~12s 好 氯化萘,EN Apache 2.0
IndexTTS-2 5s ~18s 好极了 氯化萘,EN Apache 2.0
GLM-TTS 5s ~25s 好极了 氯化萘,EN Apache 2.0
Qwen3-TTS 5s ~16s 好极了 CN、EN、JP、KO+ Apache 2.0
Tortoise 15s ~60s 演播室 EN Apache 2.0
比较模型

人们使用实时语音克隆做什么

从内容创作到无障碍——语音克隆有无穷无尽的应用

音频书叙事

作者克隆自己的声音, 生成整个音频簿, 而不花时间在录音室。 编辑错误, 重塑单句而不是重录 。

视频 Dubbbing

以其他语言制作的 Dub 视频,同时保留原发言者的声音。 CosyVoice 2 和 Quen3-TTS 等跨语言模式保留了中文、英文、日文和韩文的语音身份。

内容创建

YouTubeers、podcasters和TikTok创作者克隆了自己的声音,以获得一致的品牌。 为新内容生成不录制的语音传译,或者创建现有视频的替代语言版本。

无障碍

由于疾病或外科手术而失去声音的人可以通过克隆来保存声音,使其远离旧的录音。 克隆的声音让他们通过文字语音进行自己的声音交流。

博博开发

克隆语音演员和产生无限制的对话变异而不排时工作室时间。 适合独立游戏、模式和原型,因为重新记录每一行是行不通的。

IVR & 电话系统

以手机菜单和自动响应方式打开您公司发言人的声音。 更新 IVR 即时提示而不预订语音演员 —— 只需输入新文本并生成 。

立立立立立声音

TTS.ai vs 其他语音克隆解决方案

为什么9个模式胜于单一开放源码项目?

特征特征 TTS.ai SV2TTS ElevenLabs Resemble AI
克隆模型 9 1 1 1
最小参考音频 5 sec 5 sec 30 sec 3 min
所需培训 否 无 否 无 否 无 是 是
音频质量(2025年) 演播室级 日期 日期 日期 日期 好极了 好极了
情感控制
跨语言克隆
开放源码
需要 GPU 云云 是 是 云云 云云
API 访问
自由级 15 000个字符 自我主办方 有限
尝试自由

语音克隆API

以我们的RESTAPI 编程的克隆声音

Python-语音克隆 REST API 
from tts_ai import TTSClient

client = TTSClient(api_key="sk-tts-...")

# Clone a voice from a 5-second sample
result = client.clone_voice(
    name="My Cloned Voice",
    file="reference.wav",       # 5-30 seconds of clear speech
    model="chatterbox",         # or cosyvoice2, openvoice, spark...
    text="Hello! This is my cloned voice speaking new text.",
)

# Download the cloned audio
audio = client.poll_result(result.uuid)
with open("cloned_output.wav", "wb") as f:
    f.write(audio)
cURL - 语音克隆 REST API 
curl -X POST https://api.tts.ai/v1/voice-clone \
  -H "Authorization: Bearer sk-tts-YOUR_KEY" \
  -F "reference=@voice_sample.wav" \
  -F "text=This is my cloned voice." \
  -F "model=chatterbox"
查看 API 文件

最佳声音克隆结果提示

用这些录音指南 获取最准确的语音克隆

静静环境

人工智能从干净的音频中提取更精确的声音特征。

10-30秒

虽然5秒有效,但10-30秒的结果却明显更好。 人工智能听到的自然演讲越多,克隆就越准确。

自然语言

自然地说, 而不是单调。 包含不同的方位和节奏。 AI 捕捉您的自然语言风格, 包括暂停和强调 。

单一议长

使用只有一人发言的样本。 多个声音混淆了演讲者嵌入和产生混合结果。

开始克隆

开始今天克隆之声

上传5秒音频 30秒后听到克隆声音

立立立立立声音 API 文件

常问问题

关于实时语音克隆的共同问题

Real-time voice cloning is AI technology that can replicate a person's voice from a short audio sample — as little as 5 seconds — without any training or fine-tuning. You upload a sample, and the AI generates new speech that sounds like that person. TTS.ai offers 9 different voice cloning models, each with different strengths for quality, speed, and language support.

只要5秒左右与大多数模型(Chatterbox、CosyVoice 2、Spark、GPT-SOVITS、OpenVoice)合作,Tortoise需要15+秒才能取得最佳效果。所有模型的最佳质量,推荐10-30秒清晰的单声频。音频应该没有背景噪音和音乐。

Voice cloning technology itself is legal. However, you should only clone voices you have permission to use — your own voice, voices you have explicit consent for, or voices in the public domain. Using voice cloning to impersonate someone without consent, commit fraud, or create misleading content is illegal in most jurisdictions. TTS.ai's terms require you to have rights to any voice you clone.

它取决于您的使用情况。 聊天盒生成了具有情感控制的高质量英语克隆。 CosyVoice 2 最适合多语言克隆( 中文、 英文、 日文、 韩文 ) 。 火花是最快的 ~ 12 秒 。 Tortoise 生成工作室质量结果,但速度较慢。 GPT- SoVITS 擅长中文语音克隆。 尝试多种模式来找到最适合您声音的匹配模式 。

是的,这叫做跨语言语音克隆。 CosyVoice 2, Quen3-TTS, 和 OpenVice 支持它。 例如, 您可以上传英语语音样本, 并用中文、 日文或韩文生成演讲, 同时保留发言者的语音特性。 质量因模型和语言而异。

CorentinJ/Real-Time-Voice-Clon GitHub项目(60K+恒星)使用SV2TTS,这是一个2019年的建筑,虽然当时具有开拓性,但现代模型,如Chatterbox、CosyVoice 2和GPT-SOVITS, 具有更相似的音频质量。 TTS.ai有9个最先进的模型(vs SV2TTS's one),不需要GPU设置——只是上传和克隆。

是 TTS.ai 提供语音克隆的REST API 。 上传参考音频和文本, 选择一个模型, 接收克隆语言 。 可以通过 Python SDK (` Pip 安装 tsai')、 JavaScript SDK (`npm 安装@ ttsainpm/ tsai'), 或直接 HTTP 请求 。 支持以相同克隆声音处理多个文本的批次克隆 。

是的。 克隆之后, 保存您账户的语音, 并在没有重新加载参考音频的情况下, 代代相传地重新使用它。 保存的声音出现在您的语音图书馆的语音克隆页面上, 并且可以通过 API 进入 。

WAV、 MP3、 MP3、 OGGG、 FLAC、 和 WebM 都得到支持。 您也可以使用内置麦克风记录器直接在浏览器中记录。 最好在 16 kHz 或更高处使用无损 WAV 格式。 AI 自动预处理音( 重新取样、 噪音过滤), 而不考虑输入格式 。

生成时间因模型而异:火花速度最快,为~12秒, OpenVoice 速度最快,为~15秒, GPT-SoVITS 速度为~16秒, CosyVoice 2 速度为~20秒, CosyVoice 2 速度为~21秒, Torterbox 速度为~60秒。这些时间用于典型的句长文本。较长的文本比例更长 。

是的,TTS.ai中的所有9个克隆模型都使用允许商业使用的公开来源许可证(MIT或Apache 2.0),你可以使用YouTube视频、播客、音频书、应用程序、游戏、电话系统和任何其他商业应用中的克隆音频,只要你有权使用源声音。

Yes. Every model we run is open source and available on GitHub/HuggingFace. You can self-host Chatterbox, CosyVoice 2, GPT-SoVITS, OpenVoice, Spark, IndexTTS-2, GLM-TTS, Qwen3-TTS, or Tortoise on your own GPU server. Most models require an NVIDIA GPU with 4-24GB VRAM depending on the model. TTS.ai handles all the infrastructure so you don't have to.
5.0/5 (1)

我们能改进什么?您的反馈帮助我们解决问题。

以秒计, 克隆任何声音@ label

9个开放源码语音克隆模型,5秒样本,不需要培训,免费尝试,上传音频,即时听到克隆。

签署自由 视图定价