OpenVoice V2版本发布 能对声音风格进行精细控制_open audio

4月26日 消息:MyShell TTS 开发的 OpenVoice 是一项创新的声音克隆技术，它能够通过仅使用一小段参考发言者的音频片段来复制其声音，并生成多种语言的语音。

目前，MyShell TTS 已经推出了全新的OpenVoice V2版本。这个版本能够直接支持英语、西班牙语、法语、中文、日语以及韩语，并且显著提高了音频输出的质量。OpenVoice V2拥有复制任意声音的能力，能以多种语言进行语音输出，并具备情感和口音的控制功能。它不但可以准确模仿特定的声音色彩，还允许对声音的风格，包括情感、口音、节奏、停顿及语调等进行细致调整。

主要功能:

• 准确的音色克隆: OpenVoice 能够精确地克隆参考音色，并在多种语言和口音中生成语音。

• 灵活的声音风格控制: 用户可以对声音的情绪、口音、节奏、停顿和语调进行详细调整，实现个性化的声音输出。

• 零样本跨语言声音克隆: 即使某些语言未在训练集中出现，OpenVoice 也能实现声音复制。

• 高效的计算性能: 相比于市场上现有的商业API，OpenVoice 在保持高性能的同时，计算成本大大降低。

OpenVoice V2新特性:

• 更好的音频质量: 采用新的训练策略提升音频质量。

• 原生多语言支持: 原生支持英语、西班牙语、法语、中文、日语和韩语。

• 集成 MeloTTS: V2版本引入了 MeloTTS 技术，增强了声音的自然度和表现力。

• 免费商业使用: 自2024年4月起，V1和V2版本均以 MIT 许可证发布，支持商业和研究用途的免费使用。

技术方法:

声音样式和语言的解耦设计: OpenVoice 的设计哲学是将声音的不同特性进行解耦，使得可以独立控制各个参数，提高操作的灵活性和推断速度。

基础发音者 TTS 模型与音色转换器: 包括允许对风格参数进行控制的基础发音者 TTS 模型，以及采用编码器-解码器结构的音色转换器。

训练策略和数据处理: 在训练过程中，使用了大量的多语种、多风格的音频样本，并采用特定的损失函数确保在保留风格的同时去除或转换音色。

官网：https://research.myshell.ai/open-voice

项目地址：https://top.aibase.com/tool/openvoice

创建自己的语音机器人：https://myshell.ai/