独立工作室的 AI Voice Cloning 完全建置手册

——脱离平台束缚，用自己的声音说自己的话

从零开始自架本地语音克隆系统，完整踩坑记录

为什么要这样做？

现在市面上的声音合成平台，不外乎两种。

免费的 — 声音千篇一律，你的影片跟别人的影片用的是同一个声音，毫无辨识度。听众听了三秒就知道你用哪个平台，特色从哪里来？

收费的 — 按字数算钱，每次生成都在心里默算这段话值多少钱，录到一半还在犹豫要不要重录。规模一大，每个月的账单就是一个让你皱眉头的数字。

有没有第三条路？

有。自己建。

用开源的 AI 模型，在自己的电脑上架设一套本地语音合成服务，用你自己的声音，生成你自己的内容。不限字数、不收费、声音是你的、风格是你的。这就是独立工作室该有的样子。

这套系统是什么？

很多人第一次听到「自己建TTS」会以为是要自己写一个语音合成程序。

不是的。

这件事更接近「自己架一台服务器」的概念：

层次	是什么	你要做的事
AI模型	语音合成的大脑，别人训练好的	下载来用
框架	让模型能跑起来的环境	安装设定
你的声音	给模型参考的样本	录一段4~6秒的音频
你的code	串接输入输出的胶水	这才是你写的部分

架设完成后，你的电脑上会跑着一个有 Web 界面的本地服务。你可以在浏览器里操作，也可以用程序调用它的 API，让它成为你自动化流水线的一环。

本文使用的模型是 GPT-SoVITS，理由很简单：中文效果顶尖、界面全中文、Voice Cloning 只需要 4~6 秒录音、开源免费可商用。

你需要什么？

硬件

这套系统对硬件要求不高。本文的实测环境是一台没有独立显卡的普通笔记本，纯 CPU 运算。

配置	生成100~200字的时间
有 NVIDIA 显卡（6GB VRAM以上）	约10~30秒
纯 CPU	约150~250秒

如果你的使用量不大，纯 CPU 完全够用。每天录几段影片配音，等个几分钟出音频，完全在可接受范围内。

软件

Windows 10 / 11
Python（本文使用 3.11，原因后述）
Miniconda（Python 版本管理工具）
VS Code（开发环境）
Git

一个你必须先懂的概念：Python 虚拟环境

在开始安装之前，有一个概念你必须先搞清楚，否则后面会踩很多坑。

Python 的套件管理是有「环境」概念的。

想象你的电脑里有很多个独立的仓库：

你的电脑
├── 全局 Python 3.14（系统预设）
├── conda 环境 tts（Python 3.11，我们建的）
└── .venv（VS Code 有时候会自动建）

每个仓库里的套件完全独立。装在 A 仓库的东西，B 仓库找不到。

这就是为什么很多人装套件装到怀疑人生：明明装了，跑的时候还是说找不到。原因通常只有一个——装在了错的仓库。

GPT-SoVITS 需要 Python 3.11，但你的电脑可能已经装了更新的版本（本文实测环境是 3.14）。解法是用 Miniconda 建立一个独立的 Python 3.11 环境，跟系统的 Python 完全隔离，互不干扰。

这个概念理解了，后面的安装步骤就不会觉得奇怪了。

安装步骤

Step 1：安装 Miniconda

在 VS Code 终端执行：

bash

winget install Anaconda.Miniconda3

安装完成后关闭 VS Code 重新开启，让环境变量生效。（本文作者秉持 all-in-one 的心态，所有操作都在 VS Code 的终端内完成。当然你也可以用系统独立的终端执行，效果相同。）

重开后执行以下指令允许 PowerShell 执行脚本：

bash

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

确认 conda 安装成功：

bash

conda --version

看到版本号就代表成功了。

Step 2：建立 Python 3.11 环境

接受 Anaconda 的服务条款（三行分别执行，每行跑完会询问是否同意，输入 Y 按 Enter 确认）：

bash

conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/msys2

建立专属环境：

bash

conda create -n tts python=3.11 -y

启动环境（之后每次都要做这步）：

bash

conda activate tts

终端前面从 (base) 变成 (tts) 就代表成功。

Step 3：下载 GPT-SoVITS

进入你的工作目录，clone 项目：

bash

cd D:\你的工作目录
mkdir tts-service
cd tts-service
git clone https://github.com/RVC-Boss/GPT-SoVITS.git
cd GPT-SoVITS

Step 4：安装套件

bash

pip install -r requirements.txt

这步骤会下载很多套件，需要几分钟，让它跑完。

⚠️ 踩坑记录：版本冲突

requirements.txt 装完后，有几个套件版本会互相冲突，需要手动修正：

bash

# gradio 版本太新，降级
pip install gradio==4.44.0

# starlette 与 fastapi 版本问题
pip install "fastapi==0.115.0" "starlette>=0.37.2,<0.39.0"

# jinja2 版本问题
pip install jinja2==3.1.4

# 其他缺少的套件
pip install psutil pyyaml ffmpeg-python
conda install -c conda-forge editdistance

⚠️ 踩坑记录：torchaudio 在 Windows 的问题

新版 torchaudio 在 Windows 上依赖 torchcodec，但 torchcodec 在 Windows 不支持。需要安装兼容版本：

bash

pip install torchaudio==2.9.0 torch==2.9.0

⚠️ 踩坑记录：NLTK 语言资源

第一次生成中英混合文字时，需要下载 NLTK 的英文语言模型：

bash

python -c "import nltk; nltk.download('averaged_perceptron_tagger_eng')"

Step 5：下载预训练模型

GPT-SoVITS 需要几个预训练模型才能运作，总大小约 3GB，从 HuggingFace 下载：

bash

python -c "from huggingface_hub import snapshot_download; snapshot_download('lj1995/GPT-SoVITS', local_dir='GPT_SoVITS/pretrained_models')"

下载时间依网速而定，约 30 分钟到 1 小时。如果中途卡住，直接 Ctrl+C 重跑，支持断点续传。

还需要建立语言检测模型的缓存目录：

bash

mkdir GPT_SoVITS\pretrained_models\fast_langdetect

Step 6：启动服务

每次使用的标准启动指令：

bash

conda activate tts
cd D:\你的工作目录\tts-service\GPT-SoVITS
C:\Users\你的用户名\miniconda3\envs\tts\python.exe webui.py

为什么要用完整路径执行 Python？ VS Code 有时候会自动启用 .venv 环境，覆盖我们的 tts 环境。用完整路径可以确保一定是用正确的 Python 执行，不会被干扰。

启动成功后，终端会出现：

Running on local URL: http://0.0.0.0:9874

此时系统会自动开启浏览器并载入 http://localhost:9874，这代表你的本地服务器已经正式启用，整套服务正在你自己的电脑上运行。

第一次生成你的声音

准备声音样本

在开始之前，你需要一段自己的录音作为参考音频。

录音建议：

时长：5~10 秒
环境：安静的房间，关掉电风扇、冷气
设备：手机录音就够，现代手机麦克风品质足以应付 Voice Cloning。事实上作者第一次测试是直接用 NB 内建麦克风录的……莫名的也行。
内容：自然说话即可，不需要特别准备台词
格式：MP3 或 WAV 均可

录好之后传到电脑，存在固定位置（例如 D:\tts-service\my_voice.wav），之后每次使用都上传这个固定文件，不需要重新录音。

开启推理界面

浏览器开启 http://localhost:9874
点选 1-GPT-SoVITS-TTS Tab
点选 1C-推理 子 Tab
按下橙色按钮 「开启TTS推理WebUI」
⚠️ 按下后可能 30 秒以上没有反应，属正常现象（本文是用一台旧型号 NB 跑的，加上没有独立显卡，速度自然慢一些），耐心等待，不要重复点击
启动后会自动开启新的浏览器分页，载入 http://localhost:9872，这就是实际的语音生成操作界面

参数设定

推荐的沉稳财经风格参数：

参数	建议值	说明
语速	1.1	略快于正常语速，听起来更有节奏感
句间停顿	0.2秒	句子间的自然停顿
top_k	5	越小越稳定，适合正式内容
top_p	0.8	保守模式，减少不自然的发音
temperature	0.7~1.0	越小越平板，越大越有感情起伏
按标点符号切割	开启	这个非常重要，让抑扬顿挫更自然

「按标点符号切割」 是影响自然度最大的设定。开启后，模型会按照句号、逗号自然停顿，听起来更像真人说话而不是机器念稿。

中英混合的注意事项

中英混合是 TTS 最难处理的部分，切换点会有轻微顿挫感。

改善方法：在英文专有名词前加一个逗号，让模型有语言切换的缓冲。另外如果不想跟笔者一样第一次录音就有点「糊」的话，可以把英文品牌名称拆开，例如 Space X（中间加空格），让模型自然分段发音而不是硬念成一个字：

# 原本
SpaceX 上市了

# 改善后
，SpaceX 上市了

这个小技巧能明显改善切换时的顿挫感。

生成时间参考（CPU 模式）

文本长度	预计时间
50字以内	约50~80秒
100~200字	约150~250秒
500字以上	约10~15分钟

⚠️ 重要： 生成期间不要操作浏览器。CPU 跑 TTS 时资源全部集中在运算，同时滚动页面会抢占资源，导致音频出现卡顿感。

建议的工作方式：按下生成后去做别的事，回来再听结果。

输出与保存

生成完成后，界面上会出现播放器和下载按钮。

点击下载，文件名为 audio.wav
存放位置：浏览器默认下载文件夹
⚠️ 每次生成下载都会覆盖同一个文件，满意的版本请立即改名保存

整合进自动化流水线

GPT-SoVITS 提供 API 接口，可以直接用程序调用，不需要每次手动操作 Web 界面。

基本的调用方式：

python

import requests

response = requests.get("http://localhost:9880", params={
    "text": "今天要介绍的是...",
    "text_lang": "zh",
    "ref_audio_path": "D:/tts-service/my_voice.wav",
    "prompt_text": "你的参考音频说的内容",
    "prompt_lang": "zh"
})

with open("output.wav", "wb") as f:
    f.write(response.content)

这样整条影片生产流水线就可以全自动（文字生成的部分用 Claude 或其他 AI 平台都行，看个人习惯）：

Claude 生成文字脚本
    ↓
GPT-SoVITS API 生成语音
    ↓
FFmpeg 合成影片
    ↓
成品输出

未来计划

服务云端化 / MCP化：把本地的 TTS 服务部署到云端服务器，或包装成 MCP 工具供 AI 直接调用。两者本质相同，都是让这套服务变成可以随时远程调用的 API，不再依赖本地 NB 开机。
声音微调训练：用更多自己的录音训练专属模型，进一步提升声音相似度与自然度。

结语

从「被平台收费收到肉疼」到「在自己电脑上跑着一套语音克隆服务」，这中间只需要一个下午的时间（或者睡一觉起来继续奋斗半天的时间）和一些耐心踩坑。

坑是真实存在的。版本冲突、环境混乱、Windows 兼容性问题——这些都是过程的一部分，也是为什么这篇文章要把每个错误都记录下来。

你不需要是工程师才能做这件事。你只需要愿意一步一步来，遇到错误不要慌，把信息贴给 AI 问就好。

声音是你的。系统是你的。内容是你的。

这才是独立工作室该有的样子。

延伸阅读

AI工具与营销整合概述

本文实测环境：Windows 11、无独立显卡笔记本、Python 3.11、GPT-SoVITS 最新版
建置日期：2026年6月

独立工作室的 AI Voice Cloning 完全建置手册 ​

为什么要这样做？ ​

这套系统是什么？ ​

你需要什么？ ​

硬件 ​

软件 ​

一个你必须先懂的概念：Python 虚拟环境 ​

安装步骤 ​

Step 1：安装 Miniconda ​

Step 2：建立 Python 3.11 环境 ​

Step 3：下载 GPT-SoVITS ​

Step 4：安装套件 ​

⚠️ 踩坑记录：版本冲突 ​

⚠️ 踩坑记录：torchaudio 在 Windows 的问题 ​

⚠️ 踩坑记录：NLTK 语言资源 ​

Step 5：下载预训练模型 ​

Step 6：启动服务 ​

第一次生成你的声音 ​

准备声音样本 ​

开启推理界面 ​

参数设定 ​

中英混合的注意事项 ​

生成时间参考（CPU 模式） ​

输出与保存 ​

整合进自动化流水线 ​

未来计划 ​

结语 ​

独立工作室的 AI Voice Cloning 完全建置手册

为什么要这样做？

这套系统是什么？

你需要什么？

硬件

软件

一个你必须先懂的概念：Python 虚拟环境

安装步骤

Step 1：安装 Miniconda

Step 2：建立 Python 3.11 环境

Step 3：下载 GPT-SoVITS

Step 4：安装套件

⚠️ 踩坑记录：版本冲突

⚠️ 踩坑记录：torchaudio 在 Windows 的问题

⚠️ 踩坑记录：NLTK 语言资源

Step 5：下载预训练模型

Step 6：启动服务

第一次生成你的声音

准备声音样本

开启推理界面

参数设定

中英混合的注意事项

生成时间参考（CPU 模式）

输出与保存

整合进自动化流水线

未来计划

结语