牛！一款国产AI语音登顶全球第一，首个可编辑语音模型来了！

在当今的内容创作领域，语音合成技术已经成为了不可或缺的生产力工具。

无论是短视频配音、有声书制作，还是游戏角色语音生成，AI语音都在深刻改变着我们的创作方式。

但长期以来，这个领域一直被国外巨头所主导。从早期的Google TTS，到后来的ElevenLabs，再到 OpenAI 的 Whisper 系列。

不过最近，一款名为 ViiTorVoice 的国产模型横空出世，彻底打破了这个局面。

它不仅在全球权威评测榜单 Seed-TTS 上登顶第一，更以首创的"局部编辑"能力，重新定义了语音合成的可能性。

🏆 全球第一的成绩单

在当前业界最严苛、公认度最高的TTS标准评测Seed-TTS中，ViiTorVoice交出了一份惊艳的成绩：

• • 英文词错率（WER）：1.32
• • 中文词错率（WER）：0.99

特别值得一提的是，ViiTorVoice在中文词错率指标上取得了当前公开评测的最佳成绩，成为全球首个中文词错率突破1.0大关的里程碑模型。

这意味着它在发音准确性和语义还原能力方面，已经达到了行业领先水平。

🎯 核心能力

ViiTorVoice-NAR是一个面向语音克隆与语音局部编辑的非自回归语音生成系统。

它的核心能力远不止简单的语音克隆，而是一套完整的语音创作解决方案。

语音克隆：无参考文本也能克隆

传统的语音克隆需要提供一段说话人的音频，以及对应的准确文字内容。但ViiTorVoice首创了"无参考文本（Zero-Shot）"的跨语种语音克隆能力，你只需要上传一段声音样本，就能直接生成任意文本的语音。

你不需要知道具体说了什么，只需要截取这段音频，就能让AI用这个声音说出任何你想要的内容。

局部编辑：像改Word一样修语音

这是ViiTorVoice最革命性的功能。在真实的生产环境中，更耗费时间的往往不是第一次生成，而是后期修改。

比如：

• • 短剧已经完成配音，上线前发现角色人名需要调整
• • 广告文案临时修改了产品名称
• • 课程内容更新了一个专业术语

重新生成一句新的配音并不难，真正耗时耗力的，是如何让修改后的内容与原有音频保持一致，尤其在音色、情绪衔接、停顿突兀、时间轴同步这些细节上。

ViiTorVoice的片段级编辑能力，完美解决了这个难题。

你可以任意替换某个词、某句话、某个片段，就像在Word里修改文字一样简单。系统会自动定位差异区域，只重新合成局部片段，前后过渡天衣无缝。

情感与副语言控制：让声音更有戏

优秀的配音不仅仅是念对文字，更重要的是传递情感和表达细节。

ViiTorVoice支持在文本条件中插入情感标签和副语言信息，并通过CFG（Classifier-Free Guidance）参数增强控制效果。

你可以这样使用：

<|emotion-happy|>我终于完成了这个项目，感觉真的很开心。
<|emotion-sad|>听到这个消息，我感到非常难过。

这种细粒度的情感控制，让AI生成的语音不再是冷冰冰的机械音，而是充满了人情味和表现力。

低延迟推理：实时互动不再是梦

在实时交互场景中，延迟是致命的。ViiTorVoice采用非自回归架构，支持first block推理模式，端到端首帧返回时间可以做到约60ms，5秒音频可以在100ms内生成，推理速度达到40倍实时。

📦 快速上手

下面是完整的安装和使用指南。

环境准备

首先，确保你的系统满足以下要求：

• • Python 3.8+
• • 支持CUDA的GPU（推荐NVIDIA GPU，显存8GB以上）
• • Linux或macOS系统

步骤一：克隆项目并安装依赖

git clone https://github.com/viitor-ai/viitor-voice-nar.git
cd viitor-voice-nar
bash init_env.sh

init_env.sh脚本会自动创建虚拟环境并安装所有依赖，非常省心。

步骤二：下载模型

模型文件需要下载到local_models/目录下，不要使用软链接。

mkdir -p local_models
huggingface-cli download ZzWater/ViiTorVoice-NAR \
  --local-dir local_models \
  --local-dir-use-symlinks False

模型地址：https://huggingface.co/ZzWater/ViiTorVoice-NAR

步骤三：启动服务

./run_grpc_v2.sh start all

服务启动后，可以通过以下命令查看状态：

./run_grpc_v2.sh status all

默认HTTP服务监听在0.0.0.0:7861，本机访问地址为http://127.0.0.1:7861。

API调用示例

健康检查

curl "http://127.0.0.1:7861/health"

语音克隆（无参考文本）

curl -X POST "http://127.0.0.1:7861/v1/voice-clone" \
  -F 'ref_audio=@prompt.wav' \
  -F 'text=今天天气不错，我们下午一起去公园散步吧。' \
  -F 'language=zh' \
  -F 'allow_missing_ref_text=true' \
  --output clone.wav

情感控制

curl -X POST "http://127.0.0.1:7861/v1/voice-clone" \
  -F 'ref_audio=@prompt.wav' \
  -F 'text=<|emotion-happy|>I finally finished the project, and I feel really happy.' \
  -F 'language=en' \
  -F 'emotion_guidance_scale=6.0' \
  -F 'nvv_guidance_scale=2.0' \
  --output clone_emotion.wav

局部编辑

curl -X POST "http://127.0.0.1:7861/v1/text-local-edit" \
  -F 'source_audio=@source.wav' \
  -F 'original_text=Please send the meeting notes before Friday.' \
  -F 'edited_text=Please send the meeting notes before Monday.' \
  -F 'language=en' \
  -F 'align_granularity=word' \
  -F 'expand_mask_ratio=1.5' \
  -F 'output_format=wav' \
  --output edited.wav

🌟 适用场景

ViiTorVoice的强大能力，让它在多个领域都有广泛的应用前景：

影视娱乐

• • 游戏角色配音：快速生成不同性格的角色语音
• • 动画配音：为卡通角色赋予独特的声音
• • 影视后期：补录台词、修改配音内容

教育培训

• • 有声书制作：快速将文字转换为高质量音频
• • 多语言课程：一键生成多语种教学音频
• • 语言学习：提供标准发音示范

内容创作

• • 短视频配音：快速为视频添加旁白
• • 播客制作：生成主持人语音
• • 虚拟主播：打造个性化的AI主播声音

商业应用

• • 客服语音：定制企业专属客服声音
• • 智能助手：为智能设备提供个性化语音
• • 广告配音：快速生成广告语音

写在最后

ViiTorVoice-NAR 的出现，更以创新的"局部编辑"能力，为语音合成领域带来了革命性的变化。

它让我们看到，中国的 AI 技术正在某些领域实现弯道超车，走在世界前列。

GitHub：https://github.com/viitor-ai/viitor-voice-nar

模型：https://huggingface.co/ZzWater/ViiTorVoice-NAR

Demo：https://huggingface.co/spaces/ZzWater/ViiTorVoice

如果本文对您有帮助，也请帮忙点个 赞👍 哈！❤️