【免费下载链接】speech-swiftAI speech toolkit for Apple Silicon — ASR, TTS, speech-to-speech, VAD, and diarization powered by MLX and CoreML项目地址https://gitcode.com/gh_mirrors/sp/speech-swift点击查看免费下载speech-swift是运行在 Apple Silicon 上的开源 AI 语音工具包基于 MLX 与 CoreML 实现本地零样本语音克隆只需一段几秒钟的参考音频就能用任意人的声音合成本人从未说过的话。全程在 Mac 上离线完成无需云端 API不产生任何密钥费用录音与文本永远不离开你的设备。本文带你用一条命令完成首次声音克隆并横向对比 IndexTTS2、F5-TTS、CosyVoice 三大克隆引擎。 什么是零样本语音克隆1分钟原理速览零样本Zero-shot语音克隆指的是不需要针对某个人的声音训练模型只凭一段参考音频通常 310 秒就能捕捉其音色、语调再让 TA 说出你想输入的任何文字。speech-swift 的做法是把各家的克隆模型移植为原生 Swift 运行时通过一个统一的speech speak命令驱动IndexTTS2参考音频 → 语义编码 → 流匹配解码 → 波形支持情绪/语速控制F5-TTS参考音频 参考文本 → DiT 流匹配 Vocos 声码器轻量快CosyVoice3CAM 说话人编码器提取音色向量支持 9 种语言、情绪标签与多角色对话维度优势️ 隐私纯本地推理录音不上云⚡ 速度苹果芯片 MLX/CoreML 加速多数引擎快于实时 统一入口speech speak一条命令切换所有克隆引擎 按需加载每个模型都是独立 Swift Package只装你需要的⚡ 快速安装一条命令上手 speech-swift一键安装步骤speech-swift 已通过 Homebrew 发布安装只需一行要求 ARM 原生 Homebrew即/opt/homebrewbrew install speech最快首条克隆命令准备好一段目标说话人的reference.wav1 分钟内即可听到结果speech speak 你好这是我用 speech-swift 克隆的声音。 \ --engine indextts2 \ --voice-sample reference.wav \ -o clone.wav首次运行会自动下载模型包并缓存之后离线可用。--voice-sample就是声音克隆的核心入参——参考音频。 三大零样本语音克隆引擎对比对比项IndexTTS2F5-TTSCosyVoice3规模1.5B 级fp16336Mfp160.5Bbf16 约 2.1 GB / 8bit 约 1.4 GB输出采样率22.05 kHz24 kHz24 kHz语言中 / 英中英混输中 / 英可混排中、英、日、韩、德、西、法、意、俄9 种参考文本不需要必需不需要提供后保真度更高情绪控制✅ 情绪预设 8 维情绪向量❌✅ 8 种内联(emotion)标签语速控制✅ 0.51.5 倍✅--f5-speed✅多角色对话❌❌✅ 说话人标签 说话人映射流式输出❌❌✅ 约 150 ms 首块延迟典型场景高保真单人克隆轻量快速克隆多语言/有声书/对话 三者的模型规格详见官方文档docs/models/indextts2.md、docs/models/f5-tts.md、docs/models/cosyvoice-tts.md。1️⃣ IndexTTS2支持情绪控制的高保真克隆IndexTTS2 由 w2v-BERT 语义特征、CAMPPlus 风格向量和 GPT 语义生成组成克隆的音色相似度是三者中取向最激进的。亮点是独立的情绪参考你可以让声音长得像 A、语气像 B。speech speak 欢迎来到发布会 \ --engine indextts2 \ --voice-sample reference.wav \ --indextts2-emotion excited \ --indextts2-speaking-rate 1.35 \ -o clone.wav情绪预设eager、happy、angry、sad、calm等 10 种--indextts2-emotion-audio可指定单独的情绪参考音频默认复用--voice-sample提示情绪权重开太高会牺牲音色相似度追求像本人时保持默认即可更多参数S2Mel 步数、停顿上限等见 docs/inference/indextts2.md核心实现位于 Sources/IndexTTS2TTS/IndexTTS2TTSModel.swift。2️⃣ F5-TTS需要参考文本的轻量克隆方案F5-TTS 基于 DiT 流匹配 Vocos 声码器模型只有 336M是三者中最轻量的。它的独特之处是要求提供参考音频的逐字文本--f5-reference-text——文本与声音对齐后模型能更精准地学习说话风格speech speak 这是一段本地运行的 F5-TTS 语音克隆测试。 \ --engine f5 \ --voice-sample reference.wav \ --f5-reference-text 参考录音里说的那句话。 \ -o f5.wav--f5-steps 32默认 16 步足够追求最高保真可翻倍--f5-seed固定随机种子方便复现同一段合成中文走拼音词表前端中英混排在单次请求中即可参数说明见 docs/inference/f5-tts.md运行时源码见 Sources/F5TTS/F5TTSModel.swift。3️⃣ CosyVoice39 语言 情绪标签 多角色对话CosyVoice 是三者中功能面最广的三阶段流水线LLM 语音 token → DiT 流匹配 → HiFi-GAN 声码器克隆音色、调节情绪、切换说话人全部内联完成。基础克隆speech speak Good morning, everyone! \ --engine cosyvoice \ --voice-sample reference.wav \ -o clone.wav内联情绪标签直接在文本里写speech speak (excited) 我们赢了比赛(calm) 谢谢大家支持。 \ --engine cosyvoice --voice-sample reference.wav -o emo.wav多角色对话——一个命令生成两人对话各自用自己的参考音频speech speak [S1] 你好呀。[S2] 你好最近怎么样 \ --engine cosyvoice \ --speakers s1alice.wav,s2bob.wav \ -o dialogue.wav内置 8 种情绪标签happy、sad、angry、whispers、laughs、calm、surprised、serious也可以写自由指令如(Speak like a pirate)。量化档位用--cosyvoice-variant 8bit切换bf16/8bit/8bit-full。 让克隆更像本尊的 5 个实用技巧参考音频宁短勿长、宁净勿响310 秒安静环境下的清晰人声效果最好F5 的参考文本务必逐字准确。先降噪再克隆参考音频有噪声/混响时加--clean-reference会用 Sidon 先做降噪去混响再提取音色保留说话人身份。音量偏低自动补偿F5 会对过轻的参考做 RMS 归一化--f5-target-rms默认 0.1无需手动放大。长文本分段更稳CosyVoice 会自动按句切分、拼接并加边缘淡入淡出长段合成时加--seed可让分段间语气/音色保持一致。语速微调救场克隆结果偏慢/偏快时IndexTTS2 用--indextts2-speaking-rate、F5 用--f5-speed0.51.5 倍连续可调。所有参数的权威出处是 CLI 命令定义文件 Sources/AudioCLILib/SpeakCommand.swift其中每个选项的帮助文本都有详细说明。❓ 常见问题 FAQQ1克隆一段声音需要多长的参考音频几秒就够。一般 310 秒清晰人声即可稳定捕捉音色F5-TTS 额外要求这段音频的逐字文本。Q2我的 Mac 跑得动吗模型有多大F5-TTS 最轻336MCosyVoice3 选 8bit 档约 1.4 GBIndexTTS2 为 1.5B 级 fp16 包体积最大。全部走 MLX GPU 加速M 系列芯片均可运行。Q3支持哪些语言IndexTTS2 与 F5-TTS 面向中/英可混排CosyVoice3 覆盖中、英、日、韩、德、西、法、意、俄共 9 种。Q4商用要注意什么F5-TTS 上游为cc-by-nc-4.0非商用IndexTTS2 等部分模型带研究/非商用许可属性。商用前请核对各模型上游 LICENSE本仓库根目录也提供了 LICENSE 供参考。Q5能流式/实时输出吗目前 CosyVoice 支持流式约 150 ms 首块延迟IndexTTS2 与 F5 暂为批式合成CLI 传入--stream会明确报错提示。 项目文件导航三大引擎架构文档docs/models/indextts2.md · docs/models/f5-tts.md · docs/models/cosyvoice-tts.md推理与命令参考docs/inference/indextts2.md · docs/inference/f5-tts.md引擎实现Sources/IndexTTS2TTS/ · Sources/F5TTS/ · Sources/CosyVoiceTTS/含 CAM 说话人编码与 HiFi-GAN 声码器CLI 入口Sources/AudioCLILib/SpeakCommand.swift在 Swift 应用里集成在Package.swift添加对应 product如IndexTTS2TTS、F5TTS、CosyVoiceTTS即可调用generate(text:referenceAudio:...)合成音频小结用 speech-swift 克隆声音只需三步——brew install speech、准备一段参考音频、执行speech speak --voice-sample。追求情绪表现选IndexTTS2追求轻快省资源选F5-TTS要做多语言与多角色对话选CosyVoice。全程本地、免费、隐私安全。️赞分享【免费下载链接】speech-swiftAI speech toolkit for Apple Silicon — ASR, TTS, speech-to-speech, VAD, and diarization powered by MLX and CoreML项目地址https://gitcode.com/gh_mirrors/sp/speech-swift点击查看免费下载相关推荐3秒克隆任意人声Spark-TTS语音复刻技术完全指南3秒克隆任意人声Spark TTS语音复刻技术完全指南 在语音合成技术日新月异的今天传统的TTS系统需要大量训练数据才能生成个性化语音而Spark TTS人工智能语音音频大模型模型推理服务F5-TTS语音克隆终极指南如何让AI完美复刻你的声音F5 TTS语音克隆终极指南如何让AI完美复刻你的声音 F5 TTS 是一款基于Flow Matching技术的先进语音合成系统能够生成流畅且忠实于原始声语音人工智能音频预训练F5-TTS如何用5分钟实现高质量语音克隆F5 TTS如何用5分钟实现高质量语音克隆 F5 TTS是一个基于流匹配技术的先进语音合成系统能够生成流畅自然、忠实于原声的语音。这款工具让普通用户也能轻语音人工智能音频预训练创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
