ChatterBox多语言语音合成语言克隆声音克隆 webui二次开发构建by科哥

• 源码地址：https://github.com/resemble-ai/chatterbox

镜像简介

• 支持23个国家语言的声音克隆合成

bug反馈可以加入科哥专属群交流➕ 广告勿进！​

​

科哥在UCloud镜像列表【不断更新中】：

• https://kege-aigc.feishu.cn/docx/L3FVdQl7kom8Ckx7QiicQj2VnEd

运行页面预览

---

ChatterBox 多语言语音合成 - 用户使用手册

webUI 二次开发 by 科哥 | 微信：312088415

---

界面介绍

打开浏览器访问 http://服务器IP:7860，您将看到简洁的中文操作界面。

主要区域

┌─────────────────────────────────────────────────────────┐
│         ⚡ ChatterBox 多语言语音合成                      │
│     高质量多语言语音合成 - 支持 23 种语言                  │
│        webUI二次开发 by 科哥 | 微信：312088415            │
├─────────────────────────────────────────────────────────┤
│  ┌─────────────┐  ┌─────────────────────────────────┐  │
│  │   输入区域   │  │          输出区域                │  │
│  │             │  │                                 │  │
│  │  文本框      │  │      音频播放器                 │  │
│  │  语言选择    │  │                                 │  │
│  │  参考音频    │  │                                 │  │
│  │  参数调节    │  │                                 │  │
│  │             │  │                                 │  │
│  │  [生成语音]  │  │                                 │  │
│  └─────────────┘  └─────────────────────────────────┘  │
└─────────────────────────────────────────────────────────┘

---

基本使用流程

第一步：输入文本

在 "要合成的文本" 输入框中，输入您想要转换为语音的文字。

• 最多支持 300 字符
• 支持中英文混合输入

示例:

你好，欢迎使用 ChatterBox 语音合成系统。

第二步：选择语言

点击 "语言" 下拉框，选择文本对应的语言。

显示格式：中文名称 (英文名称) [代码]

支持的语言（23种）:

语言	代码	语言	代码
中文	zh	西班牙语	es
英语	en	法语	fr
阿拉伯语	ar	德语	de
丹麦语	da	希腊语	el
芬兰语	fi	希伯来语	he
印地语	hi	意大利语	it
日语	ja	韩语	ko
马来语	ms	荷兰语	nl
挪威语	no	波兰语	pl
葡萄牙语	pt	俄语	ru
瑞典语	sv	斯瓦希里语	sw
土耳其语	tr

💡 提示: 确保语言选择与文本语言一致，否则发音可能不准确。

第三步：（可选）上传参考音频

如果希望生成的语音具有特定人的声音特征，可以上传参考音频。

• 来源: 上传文件 或 麦克风录制
• 要求: 音频时长需超过 5 秒
• 格式: 支持常见音频格式（wav, mp3, flac 等）

💡 提示: 参考音频的语言应与所选语言匹配，否则可能带有口音。

第四步：（可选）调整参数

表现强度

• 范围: 0.25 ~ 2.0
• 默认: 0.5（中性）
• 说明: 控制语音的表现力
  • 低于 0.5：更平缓
  • 高于 0.5：更夸张
  • 极端值可能导致不稳定

CFG/语速

• 范围: 0.2 ~ 1.0
• 默认: 0.5
• 说明: 控制生成节奏
  • 值越大，语速越快
  • 设为 0 可进行语言迁移

高级选项（点击展开）

参数	范围	默认值	说明
随机种子	0-任意	0	0=随机生成，其他值=可复现结果
温度	0.05-5.0	0.8	控制随机性，越高变化越大

第五步：生成语音

点击 "生成语音" 按钮，等待处理完成。

• 处理时间：约 5-15 秒（取决于文本长度）
• 完成后右侧会显示音频播放器

---

输出文件

生成的音频会自动保存到项目的 outputs 目录。

文件名格式: 语言代码_时间戳.wav

示例:

zh_20241230143025.wav    # 中文语音
en_20241230143030.wav    # 英语语音
es_20241230143035.wav    # 西班牙语语音

---

使用技巧

1. 获得更好的发音效果

• 使用标点符号帮助断句：你好，欢迎使用。
• 避免过长句子，建议分段生成
• 选择正确的语言代码

2. 自定义声音克隆

1. 上传清晰的参考音频（5秒以上）
2. 确保参考音频与目标语言一致
3. 调整表现强度参数控制相似度

3. 生成可复现的结果

在 "更多选项" 中设置固定的随机种子值，使用相同参数可生成完全相同的音频。

4. 语言迁移

将 CFG/语速 设为 0，可以实现跨语言的语音特征迁移。

---

常见问题

Q: 生成的语音有杂音怎么办？

A: 尝试：

• 降低温度参数（如 0.5-0.7）
• 检查参考音频质量
• 使用更短的文本

Q: 发音不准确？

A: 确认：

• 语言选择是否与文本一致
• 文本是否包含特殊字符
• 尝试简化文本内容

Q: 生成失败？

A: 可能原因：

• 文本超过 300 字符限制
• 参考音频不足 5 秒
• 服务器资源不足，稍后重试

Q: 如何下载生成的音频？

A: 音频会自动保存到服务器 outputs 目录，也可以在播放器中直接下载。

---

参数推荐值

场景	表现强度	CFG/语速	温度
日常使用	0.5	0.5	0.8
有声书	0.6-0.8	0.4	0.7
新闻播报	0.3-0.4	0.6	0.6
情感朗读	0.8-1.2	0.5	0.9

---

快捷操作

• 切换语言时: 默认文本和参考音频会自动更新为该语言的示例
• 清空文本: 直接删除输入框内容
• 重新生成: 保持参数不变，再次点击生成按钮

---

祝您使用愉快！