#3884 如何语音克隆 详细教程 每个步骤逐一拆解

语音克隆功能需要正确配置本地TTS服务（如F5-TTS、GPT-SoVITS、CosyVoice等）并选择clone角色。失败通常源于参考音频时长不匹配、服务未启动或配置错误。

以下是详细步骤拆解：

1. 准备参考音频：从原视频中提取一段3-10秒的、清晰包含目标说话人声音的音频片段。这是克隆音色的关键。

2. 部署本地TTS服务：

   • 选择并部署一个支持克隆的TTS项目，例如 F5-TTS、GPT-SoVITS 或 CosyVoice。
   • 按照对应项目的官方说明，在本地启动其API服务。服务通常运行在 http://127.0.0.1:7860 或类似地址。
   • 关键：确保服务终端窗口保持运行，不要关闭。

3. 在pyVideoTrans中配置：

   • 打开软件，进入 菜单 -> 翻译设置。
   • 找到你部署的服务对应配置面板（如“F5-TTS设置”）。
   • 将“API地址”填写为本地服务地址（例如 http://127.0.0.1:7860）。

4. 主界面参数设置（关键步骤）：

   • 在“翻译视频或音频”主界面：

     • 配音渠道：选择你部署的服务（例如“F5-TTS(本地)”）。
     • 配音角色：在下拉列表中选择 clone。
     • 原始语言：必须明确指定（如“中文”），不能选“自动检测”。
   • 点击 设置更多参数...，确保勾选 分离人声背景声。这能提供更干净的参考音频，提升克隆质量。

5. 调整高级选项：

   • 进入 菜单 -> 工具 -> 高级选项。

   • 在 【语音识别参数】 区域进行以下设置，以确保生成的单条字幕时长落在3-10秒的理想克隆区间：

     • 最短语音持续毫秒：设置为 3000。
     • 最长语音持续秒数：设置为 10。
     • 勾选 Whisper预分割音频?。
     • 勾选 合并过短字幕到邻近。

6. 执行翻译：

   • 添加视频文件，设置好目标语言等其他参数。
   • 点击“开始翻译”。软件会在识别字幕后，自动将每条字幕对应的原视频人声片段（3-10秒）作为参考音频，发送给本地TTS服务进行克隆配音。

常见失败原因排查：

• 服务未启动：确认本地TTS服务的API进程正在运行。
• API地址错误：检查配置的端口号是否与服务实际端口一致。
• 参考音频问题：原始视频人声不清晰、背景噪音过大，或软件生成的单条字幕对应的原声片段不在3-10秒范围内（需按上述第5步调整）。
• 未分离人声：未勾选分离人声背景声，导致参考音频包含背景音乐，影响克隆效果。

请查阅相关文档：

• 如何使用原视频中音色配音
• F5-TTS api调用常见错误
• 使用GPT-SoVITS配音
• 在视频翻译软件中使用 CosyVoice3