声音克隆：IndexTTS2离线运行包和使用方法！

上一篇已经讲了IndexTTS2的本地安装方法。说实话，这个配置起来，还是有一点点困难的。所以我说过会出一键运行的离线包，也可以叫懒人包。 其实我一直不太喜欢叫懒人包，这样会让人变懒哈。

IndexTTS2涉及到的模型有点多。官方分享的模型如下：

除了这些模型之外，还有好几个模型是通过代码运行过程中下载的。这样就会有一个问题，不管你是否已经下载了，它都会先去Hugging Face上检查一下，导致没有魔法就会无法运行。还有，它默认是下载到C盘的，也是一个烦人的事情。

为了把这些问题解决掉，可以在本地离线一键运行，还是花了一些时间。

整体文件有十几个G，所以压缩、复制测试、上传都花了一些时间。

最后终于把所有东西集齐了。

文件已经上传到网盘，只要根据文末提示下载即可。

下面说一下如何使用。

下载之后放到一个比较大的硬盘上，右键解压到当前目录就可以了。

解压的时候不要用很辣鸡的RAR，它会占用C盘。

推荐使用免费、绿色的7z。

解压之后，打开文件夹，找到运行.bat

双击启动。

启动之后，会先显示一个load…这个时候开始载入Python。

然后会显示Loading model…这个时候开始载入相关模型。

最后出现Running on，说明服务已经启动成功！

原项目需要手动复制http://0.0.0.0:7860到浏览器打开，而且得把0.0.0.0改成localhost才可以。

我已经修改了，添加自动打开浏览器的参数。

打开页面之后，就可以进行声音克隆和合成了。

主要流程如下图：

准备一个几秒钟的声音，最好是剔除背景音乐、背景声音、其他噪声。要剔除杂音提取人声，可以使用开源软件，也可以使用剪映。

然后就可以点击上传，或者直接把声音拖到1️⃣处了。

然后再2️⃣处输入你要它合成的内容。

然后再点击3️⃣开始生成语音。

最后在4️⃣处查看结果。

声音同时也会保存在outputs文件夹里面。

短句的合成时间一般不会太久，大概在几秒钟到十几秒的样子。

如果你显存比较小，可能就会爆显存，或者合成很慢。

还有一种快速体验的方式，就是使用自带的Example例子。

这个网页下方，自带了12个例子，通过这种方式，你就不需要急着去抠自己的声音了。

只需要点两次1️⃣2️⃣，就可以查看克隆效果了。

功能设置

除了直接生成之外，也可以通过功能设置来调整生成参数。

因为这个版本主打情感控制，所以功能设置主要就是针对情感控制，另外一个高级生成参数，不建议修改。

情感控制方式分为四种：

1. 与音色参考音频相同
2. 使用情感参考音频
3. 使用情感向量控制
4. 使用情感描述文本控制

与音色参考音频相同

这种模式最简单、最直观。只要上传参考音频就可以了。情绪从参考音频中获取。比如你上传的音频是高兴的，那么合成的声音也是高兴的。

这种应该是效果最好的。

使用情感参考音频

这种方式是让你提供另外一个声音，来做情绪的控制。

情感权重一般不动，粗略测试，应该数值越大影响越大，数值越小影响越小。

使用情感向量控制

这种方式就是可以多维度来控制情绪。

你想要愤怒，就把愤怒值拉大，你要是开心的情绪，就把喜的数值拉大。应该也很直观。建议同时只调整一种情绪。

使用情感描述文本控制

这是一种开放式的控制。既不参考声音，也不参考向量，而是靠你的描述。

这种方式发挥空间更大。

比如：

声音里既有压抑的痛苦，又夹杂着微弱的希望；开头带着些许悲伤和无奈，中段逐渐变得激动甚至有些愤怒，但在结尾又透出释然与温柔的安慰。整体表现出一种矛盾交织、内心挣扎但又逐步放下的复杂情感。

比如：

冷漠中带着讽刺

激动中掺杂焦虑

喜悦里透着怀疑

上面的内容，仅供参考，主要就是说这个发挥空间大。

此刻，我脑子里一直在想”五彩斑斓的黑”

IndexTTS可以说是把情绪控制玩出了花，这个很好。目前加了情绪控制之后，相似度会减弱，但是情绪还比较饱满的，用来做各种配音应该挺好的！