字节跳动高质量声音克龙文字转语音合成软件MegaTTS3整合包
MegaTTS3是抖音团队联合国内其他大学研发的一款语音合成及声音克龙应用,可实现零样本语音克龙及富有情感的自然语音合成。我基于当前最新版制作了免安装一键启动整合包。
MegaTTS3介绍
MegaTTS 3 是字节跳动(ByteDance)与浙江大学联合开发的开源零样本语音合成系统,基于轻量级扩散模型实现高质量、多语言语音克龙与合成。
主要特点
- 轻量级扩散模型(TTS Diffusion Transformer)
- 参数量仅 0.45B,通过逐步加噪与去噪生成语音,兼顾高效与高保真输出。
- 支持 10 步快速推理(CPU 约 30 秒生成语音),模型体积比传统 TTS 缩小 60%。
- 语音属性分解建模
将语音拆解为独立属性,针对性优化:- 音色:全局向量建模缓慢变化的音色特征;
- 韵律:潜在码语言模型捕捉语速、语调等动态变化;
- 内容:VQGAN 声学模型生成语谱图;
- 相位:基于 GAN 的声码器构建。
- 稀疏对齐算法
引入稀疏对齐边界引导扩散变换器(DiT),降低语音-文本对齐难度,提升自然度。
核心功能亮点
- 零样本语音克龙
- 仅需 5–24 秒 的目标说话人音频(24kHz WAV 格式),即可生成高度相似的语音,相似度评分超越主流模型。
- 需通过官方流程提取声学潜变量(
.npy
文件),与音频配对使用。
- 中英文混合合成
支持双语无缝切换,解决传统 TTS 跨语言断句生硬问题(如"这是一条带有accent的测试语句。"
)。 - 精细化语音控制
- 口音强度:通过参数
p_w
(可懂度权重)和t_w
(相似度权重)调节 - 韵律与情感:调整语速、语调,支持情感化输出(如惊喜、悲伤)。
- 口音强度:通过参数
- 高质量输出
在 SEED 测试集上,自然度(Naturalness)和相似度(Similarity)双指标领先竞品,MOS 评分达 4.6/5.0
MegaTTS3整合包使用说明
首先将网盘内的软件压缩包下载到本地电脑上并解压。双击【启动软件.exe】,软件成功启动后会自动打开webui界面。
如果想要实现声音克龙,需要先制作npy格式语音样本。
准备一个.wav格式,小于24s,音频素材,文件名中不要包含空格,上传到下方官方google网盘内
https://drive.google.com/drive/folders/1gCWL1y_2xu9nIFhUX_OW5MbcFuB7J5Cl
生成的npy文件可在下方链接下载
https://drive.google.com/drive/folders/1QhcHWcy20JfqWjgqZX1YM3I6i9u4oNlr?usp=sharing
你也可以使用官方的测试声音
https://drive.google.com/drive/folders/16HqXzo9ENrp1q2urmw0MV6QaHEIqZE-W
或是使用别人上传的声音
https://drive.google.com/drive/folders/1AyB3egmr0hAKp0CScI0eXJaUdVccArGB
在MegaTTS3 webUI上传wav音频素材和npy语音样本后,在inp_text里输入需要合成语音的文本内容,然后点击按钮submit即可开始生成语音。
注意事项
使用前先将英伟达显卡驱动更新到最新版本
软件程序运行路径中请不要有非英文字符及空格,待使用的素材文件同样注意
软件只支持Windows 10或11,不支持手机和MAC系统
建议英伟达显卡显存不低于6G
待合成语音文本长度不要超过200字符
声音克龙软件MegaTTS3整合包下载链接
夸克网盘分享