ViiTorVoice-NAR

ViiTorVoice-NAR - 非自回归语音合成系统，声音克隆、局部编辑与情感控制工具

ViiTorVoice-NAR 简介

ViiTorVoice-NAR（github.com/viitor-ai/viitor-voice-nar）是由 ViiTor AI 团队开发的开源非自回归语音生成系统（Non-Autoregressive Speech Generation），专注于声音克隆与本地语音编辑。系统采用分体式 gRPC v2 服务架构，通过 HTTP 网关提供端到端调用，支持提供提示音频或音频码本进行声音克隆，以及基于文本差异定位的局部语音编辑。项目模型托管于 Hugging Face，支持通过脚本一键初始化环境并启动服务，适合需要低延迟、高可控语音合成能力的开发者与研究者本地部署。

ViiTorVoice-NAR 核心功能/服务

声音克隆：用户提供提示音频（prompt audio）或音频码本（codebook），系统即可为目标文本合成与提示音色一致的语音。支持无参考文本克隆（no-ref-text cloning），仅需音频即可生成自然语音，降低语音克隆的使用门槛。

局部语音编辑：提供源音频、原始文本与编辑后的文本，系统自动定位变更区域并仅对局部片段进行重新合成，而非整段重录。支持词级对齐粒度与掩码扩展控制，实现精准的语音修改，保留未变更部分的原始音质。

情感与副语言控制：支持在文本中插入情感标签（如 `<|emotion-happy|>`）与副语言信息，通过 CFG（Classifier-Free Guidance）参数增强控制效果。用户可精确调节情感强度与副语言表现，生成富有表现力的语音内容。

ViiTorVoice-NAR 适合谁

• 语音技术开发者：需要构建声音克隆、语音编辑或情感合成应用的AI开发者，通过ViiTorVoice-NAR的gRPC服务架构与HTTP API，将语音合成能力集成到自有产品或研究项目中。
• 内容创作者与配音从业者：需要快速克隆特定音色、修正录音瑕疵或调整情感表达的配音师与播客创作者，借助局部编辑功能避免整段重录，提升后期制作效率。
• 语音AI研究者：研究非自回归语音生成、低延迟推理或可控语音合成的学术人员，通过开源代码与模型深入了解OmniVoice、DualCodec等前沿架构的工程实现。

为什么选择ViiTorVoice-NAR

ViiTorVoice-NAR 采用非自回归架构，区别于传统的自回归语音合成模型，在生成速度上具有天然优势，首帧延迟约60ms，适合实时性要求较高的场景。系统支持分体式服务部署（encoder、llm、decoder、orchestrator、http），可根据硬件资源灵活拆分或合并服务。局部编辑功能在同类开源语音工具中较为罕见，能够精准定位并修改语音片段，避免整段重录带来的音质不一致问题。情感与副语言控制通过标签+CFG机制实现，提供了比纯文本提示更细粒度的语音表现力调节能力。项目完全开源，模型可从Hugging Face下载，支持本地私有化部署。访问 ViiTorVoice-NAR GitHub仓库，了解非自回归语音合成系统详情。