🎤 免费文字转语音与克隆（Free TTS & Voice Cloning）

🆓 完全免费的本地文字转语音（TTS）与声音克隆技能。无需 API Key，无需联网，无任何使用限制。支持声音克隆（10秒音频克隆任意声音）、文字转语音（12+内置声音）、翻译配音（配合翻译工具实现多语言配音）。

High-quality 100% FREE local TTS voice synthesis and voice cloning skill. No API key required, no internet needed, unlimited usage. Supports voice cloning, text-to-speech, and translation dubbing.

✨ 功能特性

• 🆓 完全免费: 无 API 费用，无调用限制，永久免费使用
• 🔊 高质量语音合成: 基于 Qwen3-TTS-1.7B 模型，输出自然流畅
• 🎭 声音克隆: 只需 10–30 秒参考音频，即可克隆任意声音
• 🎛️ 多声音模板: 内置 12+ 种不同风格和特点的声音模板
• ⚡ Apple Silicon 优化: 基于 MLX 框架，本地推理速度快
• 🌍 多语言支持: 支持中文、英文、日文、韩文等多种语言
• 🔒 隐私保护: 所有处理在本地运行，不上传任何数据到云端
• 📝 翻译配音: 配合翻译工具可实现多语言翻译+配音工作流

✨ Features

• 🔊 High-Quality Synthesis: Powered by Qwen3-TTS-1.7B model for natural-sounding speech
• 🎭 Voice Cloning: Clone any voice with just 10–30 seconds of reference audio
• 🎛️ Multiple Voice Templates: 12+ built-in voices with different styles and characteristics
• ⚡ Apple Silicon Optimized: Built on MLX framework for fast local inference
• 🌍 Multi-Language Support: Chinese, English, Japanese, Korean, and more
• 🔒 Privacy-First: All processing runs locally, no data sent to cloud

📋 系统要求

📋 Requirements

🚀 快速安装

方法一：一键安装

chmod +x install_dependencies.sh && ./install_dependencies.sh

方法二：手动安装

# 1. 安装系统依赖
brew install python@3.10 ffmpeg

# 2. 安装 Python 包
python3.10 -m pip install mlx-audio

🚀 Quick Installation

Method 1: One-Click Install

chmod +x install_dependencies.sh && ./install_dependencies.sh

Method 2: Manual Installation

# 1. Install system dependencies
brew install python@3.10 ffmpeg

# 2. Install Python packages
python3.10 -m pip install mlx-audio

🎯 使用指南

1. 交互式演示

python3.10 voice_cloning_demo.py

2. 声音克隆 API

从参考音频文件克隆任意声音：

🎯 Usage Guide

1. Interactive Demo

python3.10 voice_cloning_demo.py

2. Voice Cloning API

Clone any voice from a reference audio file:

from mlx_audio.tts.utils import load_model
from mlx_audio.tts.generate import generate_audio

# Load model (auto-downloads on first run, ~3GB)
model = load_model('mlx-community/Qwen3-TTS-12Hz-1.7B-Base-8bit')

# Generate cloned voice
generate_audio(
    model=model,
    text="Your text content here, supports long-form generation",
    ref_audio="path/to/reference_audio.wav",  # 10–30 second voice sample
    lang_code="zh",                          # zh, en, ja, ko, etc.
    file_prefix="output_filename",           # Output: output_filename_000.wav
    max_tokens=3000                          # Prevent audio truncation
)

3. 内置声音模板（Built-in Voice Templates）

无需参考音频，直接使用预置声音模板生成语音：

from mlx_audio.tts.utils import load_model

model = load_model('mlx-community/Qwen3-TTS-12Hz-1.7B-Base-8bit')

# Generate speech with built-in voice template
results = list(model.generate(
    text='Hello world, this is a text-to-speech test',
    voice='af_heart',      # Voice template code
    language='Chinese'     # Language
))

# Save audio file
with open('output.wav', 'wb') as f:
    for result in results:
        f.write(result.audio)

🎵 内置声音模板（Built-in Voice Templates）

📝 最佳实践（Best Practices）

参考音频准备（Reference Audio Preparation）

1. 时长: 10–30 秒清晰的人声语音
2. 格式: WAV 格式，单声道，采样率 16kHz 或 24kHz
3. 环境: 安静房间，无背景噪音
4. 内容: 自然对话式语音，避免极端情绪表达

质量优化（Quality Optimization）

# 推荐参数以获得最佳效果
generate_audio(
    model=model,
    text="Your text here",
    ref_audio="reference.wav",
    lang_code="zh",
    file_prefix="output",
    max_tokens=3000,        # 文本更长时可增大该值
    temperature=0.8,        # 控制语音多样性（推荐范围：0.5–1.0）
    repetition_penalty=1.1  # 减少重复
)

批量生成（Batch Generation）

# 批处理示例
texts = [
    "First paragraph text",
    "Second paragraph text",
    "Third paragraph text",
]

for i, text in enumerate(texts):
    generate_audio(
        model=model,
        text=text,
        ref_audio="reference_audio.wav",
        lang_code="zh",
        file_prefix=f"batch_{i:03d}",
        max_tokens=3000
    )
    print(f"Generated: batch_{i:03d}_000.wav")

🔧 故障排查（Troubleshooting）

常见问题（Common Issues）

Q：生成的音频被截断？

# 增大 max_tokens 参数
generate_audio(..., max_tokens=5000)

Q：模型下载缓慢？

# 使用 Hugging Face 镜像站
export HF_ENDPOINT=https://hf-mirror.com
python3.10 your_script.py

Q：克隆效果不佳？

• 确保参考音频清晰、无背景噪音
• 最佳参考音频时长为 15–25 秒
• 尝试不同录音片段
• 文本风格应尽量匹配参考语音风格

Q：Python 版本异常？

# 验证 python3.10 路径
which python3.10
/opt/homebrew/bin/python3.10  # 确认路径

# 使用完整路径调用
/opt/homebrew/bin/python3.10 your_script.py

⚖️ 法律声明与免责条款（Legal Notice & Disclaimer）

重要法律信息

本技能仅限合法且符合伦理规范的用途。使用本技能即表示您同意以下条款：

1. 声音克隆伦理规范

• 仅克隆您本人拥有或已获得明确书面授权的声音
• 禁止在未经同意的情况下模仿他人声音
• 禁止将本技能用于欺诈、欺骗或恶意目的
• 尊重隐私权，对所处理的所有语音数据获取适当授权

2. 版权合规性

• 确保您拥有将待转换文本内容用于语音合成及再分发的合法权利
• 生成的音频内容可能受您所在司法管辖区版权法约束
• 用户须自行承担遵守所有适用版权法规的全部责任

3. 法律合规性

• 用户须遵守所有地方、州及联邦法律，包括但不限于：
  • 语音合成与录音相关法规
  • 数据隐私与保护法规
  • 知识产权相关法规
  • 生物识别信息相关法规（如适用）
• 本技能在部分司法管辖区可能受特定法规约束

4. 免责声明与责任限制

THIS SKILL IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL
THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING
FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER
DEALINGS IN THE SOFTWARE.

5. 负责任使用指南

✅ 允许用途（未特别注明者仍需取得相应授权）：

• 个人用途的声音克隆
• 将您拥有或享有权利的内容制作成有声书
• 语音助手与无障碍辅助应用
• 为游戏或动画中的 AI 角色生成配音（需原创语音设计）
• 教育与科研用途
• 为您拥有或已获许可的内容进行配音

❌ 禁止用途：

• 未经明确书面同意克隆他人声音
• 为欺骗目的制作深度伪造（deepfake）内容
• 冒充个人或组织实体
• 生成有害、非法或误导性内容
• 侵犯隐私权或违反数据保护法规
• 任何可能对个人或社会造成损害的用途

中文法律声明: 本技能仅用于合法合规用途。使用本技能即表示您同意：仅克隆您拥有或已获得明确书面授权的声音；遵守所有适用的版权和隐私法规；对使用本技能产生的任何后果承担全部责任。禁止将本技能用于欺诈、冒充或任何非法目的。

📄 许可协议（License）

MIT License

🤝 贡献指南（Contributing）

欢迎提交 Issue 和 Pull Request！欢迎参与本技能的共建与改进。

关键词（Keywords）: TTS, Text-to-Speech, Voice Cloning, Qwen3, Qwen3-TTS, mlx-audio, Apple Silicon, Local Deployment, Audiobooks, Dubbing, Generative AI