对音色克隆这块一直感兴趣，想找个可用的支持中文的玩玩，关注coqui很久了，可惜他们迟迟不支持中文，直到9月份才开始支持。
于是搞了一个带web界面的声音克隆工具，可使用你的或者其他声音的音色，将一段文字合成为使用该声音说话的音频。使用非常简单，没有GPU也可以使用，github下载预编译版本，双击 app.exe 打开一个web界面，鼠标点点快速体验，笔记本电脑就可使用，毕竟这是本项目创立的初衷，高手直接拉取coqui-tts，可玩性更强。
项目开源地址: github.com/jianchang51...
支持 中文 、英文 、日语 、韩语 4种语言，可在线从麦克风录制声音。为保证合成效果，建议录制时长5秒到20秒，发音清晰准确，不要存在背景噪声。英文效果很棒，中文效果还凑合。
可导入srt格式的字幕，然后按照时间线合成语音，生成wav音频。
项目基于 coqui-tts ，早就想使用这个来做音色克隆了，只是他们一直不支持中文，直到今天9月份才支持。 内部集成flask搞了一个简单的本地web界面，默认地址 http://127.0.0.1:9988 , 可在线录制声音或上传已有的一段声音作为音色，然后输入一段文字，即可生成使用该声音的音频。
已提供window预编译版，直接下载压缩包解压，然后双击 run.bat 即可使用。其实直接拉取 coqui-tts 也可以，当然需要一些相关技术知识。本项目初衷是降低ai使用难度，让小白也能快速上手体验，不必配备N卡，即使笔记本电脑也可使用。
一些问题
遇到不少问题，颇伤脑筋
-
首先就是打包问题，使用的pyinstaller 打包，打包后提示缺少不少依赖，修改了 spec 文件，copy_meta /copytree ，费了不少力气，还是无法彻底解决所有问题，后来干脆简单粗暴些，直接从 Lib 下复制缺少的包进去，解决了，只是包太大了，仅支持CPU，打包压缩后总体积也达到了1.9G
-
对CUDA的支持，源码支持cuda，预编译版为减小体积，仅支持CPU，原本加入了GPU支持，可惜7zip压缩后体积仍然达到将近4G，太大了
-
中文断句问题，coqui 今年9月份才增加中文支持，目前看起来效果还不是很好，有的在不该断句的地方生硬的断开了，而应该断句的标点处却没有断句
-
xtts-v2 language="zh-cn" 时的bug，当使用 该模型，并设置语言位 "zh-cn" 时，会提示
ValueError: Model is not multi-lingual but language is provided., coqui已有人提交bug报告，目前是通过修改 TTS/api.py，注释掉大约242行的代码解决的
python
if not self.is_multi_lingual and language is not None:
raise ValueError("Model is not multi-lingual but `language` is provided.")