抖音出品高质量声音克隆文字转语音合成软件MegaTTS3整合包下载

MegaTTS3是抖音团队联合国内其他大学研发的一款语音合成及声音克隆应用，可实现零样本语音克隆及富有情感的自然语音合成。我基于当前最新版制作了免安装一键启动整合包。

MegaTTS3介绍

MegaTTS 3 是字节跳动（ByteDance）与浙江大学联合开发的开源零样本语音合成系统，基于轻量级扩散模型实现高质量、多语言语音克隆与合成。

主要特点

1. 轻量级扩散模型（TTS Diffusion Transformer）
   • 参数量仅 0.45B，通过逐步加噪与去噪生成语音，兼顾高效与高保真输出。
   • 支持 10 步快速推理（CPU 约 30 秒生成语音），模型体积比传统 TTS 缩小 60%。
2. 语音属性分解建模
   将语音拆解为独立属性，针对性优化：
   • 音色：全局向量建模缓慢变化的音色特征；
   • 韵律：潜在码语言模型捕捉语速、语调等动态变化；
   • 内容：VQGAN 声学模型生成语谱图；
   • 相位：基于 GAN 的声码器构建。
3. 稀疏对齐算法
   引入稀疏对齐边界引导扩散变换器（DiT），降低语音-文本对齐难度，提升自然度。

核心功能亮点

1. 零样本语音克隆
   • 仅需 5–24 秒 的目标说话人音频（24kHz WAV 格式），即可生成高度相似的语音，相似度评分超越主流模型。
   • 需通过官方流程提取声学潜变量（.npy 文件），与音频配对使用。
2. 中英文混合合成
   支持双语无缝切换，解决传统 TTS 跨语言断句生硬问题（如 "这是一条带有accent的测试语句。"）。
3. 精细化语音控制
   • 口音强度：通过参数 p_w（可懂度权重）和 t_w（相似度权重）调节
   • 韵律与情感：调整语速、语调，支持情感化输出（如惊喜、悲伤）。
4. 高质量输出
   在 SEED 测试集上，自然度（Naturalness）和相似度（Similarity）双指标领先竞品，MOS 评分达 4.6/5.0

MegaTTS3整合包使用说明

首先将网盘内的软件压缩包下载到本地电脑上并解压。双击【启动软件.exe】，软件成功启动后会自动打开webui界面。

如果想要实现声音克隆，需要先制作npy格式语音样本。

准备一个.wav格式，小于24s，音频素材，文件名中不要包含空格，上传到下方官方google网盘内

https://drive.google.com/drive/folders/1gCWL1y_2xu9nIFhUX_OW5MbcFuB7J5Cl

生成的npy文件可在下方链接下载

https://drive.google.com/drive/folders/1QhcHWcy20JfqWjgqZX1YM3I6i9u4oNlr?usp=sharing

你也可以使用官方的测试声音

https://drive.google.com/drive/folders/16HqXzo9ENrp1q2urmw0MV6QaHEIqZE-W

或是使用别人上传的声音

https://drive.google.com/drive/folders/1AyB3egmr0hAKp0CScI0eXJaUdVccArGB

在MegaTTS3 webUI上传wav音频素材和npy语音样本后，在inp_text里输入需要合成语音的文本内容，然后点击按钮submit即可开始生成语音。

注意事项

使用前先将英伟达显卡驱动更新到最新版本

软件程序运行路径中请不要有非英文字符及空格，待使用的素材文件同样注意

软件只支持Windows 10或11，不支持手机和MAC系统

建议英伟达显卡显存不低于6G

待合成语音文本长度不要超过200字符

声音克隆软件MegaTTS3整合包下载链接

https://pan.quark.cn/s/3321fbc51c2e