简体中文 | English
365 开源计划 #018 · 基于 Qwen3-TTS 的本地多语言傻瓜配音 / 声音克隆工具，中文界面、开箱即用
易声(EasyVoice) 是一个基于 Qwen3-TTS 的本地多语言傻瓜配音 / 声音克隆工具（中文界面，开箱即用），特点如下：
- 3 秒声音克隆：上传或录制约 3 秒参考音频，即可克隆出该音色，用于任意文本 / 字幕配音
- 多语言配音：支持中文、英文、日文、韩文、德文、法文、俄文、葡萄牙文、西班牙文、意大利文共 10 种语言，默认「自动识别语种」，也可手动指定
- 省心：配音参数（语言 / 音色 / 风格 / 语速等）自动记忆，下次打开沿用
- 字幕配音（多角色）：上传字幕（SRT / VTT / LRC），按行首「名字：」前缀自动分配说话人音色、逐条试听 / 改词 / 重录，按时间轴对齐生成，并可直接合进原视频（导出成片 + 对齐字幕）。无说话人前缀的普通字幕同样支持（单一音色）；正文含冒号时可关闭「字幕含说话人前缀」开关避免误拆
- 本地运行：全程本地推理，不上传云端，保护隐私
- 显卡自适应：有 GPU 自动使用 CUDA 加速，无显卡自动降级到 CPU
- 音质可选（有 N 卡时）：在「极速 0.6B / 高质 1.7B」两档模型间手动切换（首次用 1.7B 自动下载）；无显卡固定 0.6B
- 开箱即用：普通用户下载整合包解压双击启动，开发者可本地源码运行
前往 Releases 下载，两种整合包任选：
🇨🇳 国内下载（更快）：https://alist.newzone.top:9003/apps/EasyVoice
| 包 | 体积 | 适用 | 模型 |
|---|---|---|---|
| 完整大包（GPU/CPU 自适应） | ~4.6GB（分 3 卷） | 有 N 卡 / 追求速度 | 内置 |
| CPU 精简包 | ~0.5GB（单文件） | 无显卡 / 想要小包 | 首启在工具内下载（~1.8GB） |
- 完整大包：下载
EasyVoice-v1.1.0.zip.01/.02/.03+merge-and-extract.bat到同一文件夹，双击 bat 自动合并解压。 - CPU 精简包：下载单个
EasyVoice-v1.1.0-cpu.zip，解压即用。⚠️ CPU 生成较慢：约每句 20–40 秒（视机器）、长段落数分钟，适合短句/预览。有 N 卡求速度请用完整大包。
按上方 下载 选一种整合包，解压到本地目录。
在目录里双击 Start EasyVoice.bat，首次启动约需 30 秒（加载模型）。
注意：双击启动需要整合包（自带
runtime/运行时与模型）。整合包可用项目内的build.ps1自行打包；预编译整合包见 Releases（如已提供）。源码运行见下方开发者运行。
启动后自动打开浏览器 http://127.0.0.1:7860，共四个标签页：
- 配音：输入文本，选择语言（默认自动）与参考音色，点击生成
- 字幕配音：上传字幕 → 按说话人分配音色 → 逐条挑错（试听 / 改词 / 重录）→ 合成导出（可合进原视频）
- 我的音色库：上传或录制参考音色并管理（添加、删除、重命名、调序、试听）
- 常用方案：保存常用的配音参数预设（语言 + 音色），快速调用
退出：用完后关闭启动时弹出的命令行窗口即可退出（
⚠️ 仅关浏览器不会退出，服务仍在后台占用内存与端口）；也可点界面右下角的「退出」按钮。
- Python 3.12（示例使用 conda 环境
easyvoice）
-
安装依赖
pip install -r requirements.txt
-
安装 PyTorch CUDA 版（若有 GPU）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
（若无 GPU，跳过此步，CPU 版会在第一步自动安装）
-
（可选）变速功能需要 ffmpeg：将
ffmpeg.exe放到 PATH 或项目ffmpeg/目录；缺失时语速≠1.0 会自动优雅降级。 -
模型：首次运行自动从 ModelScope 下载到
models/。自定义缓存路径可设环境变量MODELSCOPE_CACHE。
python app_main.py浏览器自动打开 http://127.0.0.1:7860。
python -m pytest -q全量回归测试应全部通过。
easyvoice/
├── app/ # 应用核心模块
│ ├── config.py # 全局配置（路径、模型名、支持语言）
│ ├── i18n.py & i18n/ # 界面多语言（简体 / 繁体 / English）
│ ├── voice_library.py # 音色库管理（增删改查、调序）
│ ├── presets.py # 预设管理（保存 / 加载参数组合）
│ ├── seed.py # 首次启动的示例音色 / 预设
│ ├── tts_engine.py # TTS 引擎（加载、合成、分段、字幕对齐、变速、模型选择）
│ ├── dubbing_project.py# 字幕配音工程态（说话人识别 / 逐条生成·重录 / 拼装）
│ ├── video_mux.py # 把配音合进视频（ffmpeg）
│ └── ui.py # Gradio UI（四标签页）
├── app_main.py # 应用入口
├── build.ps1 # 整合包打包脚本（conda-pack 运行时 + 模型 + ffmpeg）
├── Start EasyVoice.bat # Windows 用户启动脚本
├── requirements.txt # Python 依赖
├── pyproject.toml # pytest 配置
└── tests/ # 自动化测试
models/、voices/、presets/、outputs/、runtime/、ffmpeg/、dist/为运行时 / 打包产物，已在.gitignore中忽略。
用 build.ps1 把已验证的 conda 环境打成「解压双击即用」的整合包：
pwsh -File build.ps1 # 完整大包：GPU/CPU 自适应、内置模型（约 4.6GB）
pwsh -File build.ps1 -Variant cpu # CPU 精简包：无 CUDA、不含模型（约 0.5GB；模型首启在工具内下载）产物为 dist/EasyVoice-vX.Y[-cpu]/ 目录与同名 .zip。完整大包超过 GitHub Release 单文件 2 GB 上限，需分卷（配 merge-and-extract.bat）或走外部托管；CPU 精简包单文件即可上传。
以下修复已在源码中，将随下次整合包一并发布（下载包仍为 v1.1.0）：
- 界面 · 退出按钮：右下角新增「⏻ 退出」按钮，一键干净停止服务；命令行窗口与本文档也明示「
⚠️ 仅关浏览器不会退出，服务仍在后台占用内存与端口」。 - 启动 · 端口回退：7860 被占用、或落在 Windows 系统保留端口段时不再直接崩溃，自动改用备用端口（7861 / 8600 / 9000 / 5000）启动，浏览器会打开实际端口。
- 配音 · 预设与风格同步：套用常用方案时，风格芯片随预设温度联动（不再与滑块脱节），且该风格会被持久化——重载后仍能重算出预设的温度 / top_p。
- 字幕配音 · 说话人识别：收紧行首「名字：」前缀识别——含空格的多词短语、纯数字时间（如
12:30）不再被误当说话人而吞掉正文；并新增「字幕含说话人前缀」开关，可对含冒号的普通字幕一键关闭识别、整行按单一音色配音。 - 字幕配音 · 替换原声导出：导出视频完整保留到片尾。此前当配音短于视频（最后一句字幕在片尾前结束）时，尾部画面会被静默截断，现已补齐到视频完整长度。
- 字幕配音 · 并发稳定性：对同一字幕工程的多项操作（解析 / 改词 / 重录 / 生成全部 / 导出）串行执行，避免并发点击导致工程状态错乱、导出异常。
- 稳定性 · GPU 串行：跨「配音 / 字幕配音」标签页的生成改为串行，避免同时生成导致显存溢出（OOM）或音频损坏。
- 配音 · 音色删除：生成过程中所选音色被删除时给出友好提示，不再抛出原始报错。
- 本项目自身代码采用 MIT License（见 LICENSE）。
- 基于 Qwen3-TTS（模型权重 Apache License 2.0）。
- 整合包内含的第三方组件（Qwen3-TTS 模型 / FFmpeg 等）的许可与来源见 THIRD-PARTY-NOTICES。
- Qwen3-TTS：https://github.com/QwenLM/Qwen3-TTS
- ModelScope：https://modelscope.cn
- Gradio：https://www.gradio.app
本项目是 365 开源计划 的第 18 个项目。
一个人 + AI，一年 300+ 个开源项目。提交你的需求 →