WorkBuddy本地部署声音克隆TTS小模型 | 人人都是服务经理

像很多小伙伴的家用或者办公电脑，一般配置都不高，即便有独立显卡的，大多也局限于显存8G及以内。所以参数量比较大的模型跑起来就很费劲，速度跟效果都不是很好。

一直以来老马都是不建议普通客户在本地折腾什么AI生图和生视频模型，虽然可以学习到点东西，但你完全没有技术力基础的，绝大部分底层的操作都是Agent在帮你做，说实话你也学不到什么，只是能跑起来而已。

因此老马今天继续给大家安利一个参数量小，各方面比较均衡，好用的TTS模型。它比较适合你克隆一下自己想要的音色，给视频配个音，动画配个音啥的。

又或者，你要做数字人，也可以用来进行配音。应用场景还是挺多的，当然除了老马今天要介绍的这个Audio8 TTS，市面上很多还有开源TTS的水准不错，但实际部署使用时就会遇到显存、依赖、推理速度等问题卡点。

比如GPT-SoVITS、CosyVoice、IndexTTS-2、Fish Audio S1这些，虽然有些参数量也很小，但依赖CUDA环境，对显存有一定的要求。有些还不适配Mac，即便水准比Audio8 TTS在某些场景更强，但部署起来折腾。

Audio8 TTS就是胜在CPU轻量部署和完整HTTP本地服务，它是支撑流式输出和OpenAI兼容接口的，可以给其它的应用调用。

目前主要有两个版本，一个是Audio8-TTS-Realistic-0.6B，生成后的语音真实感和韵律好一些，同时支撑23种语言，包含中英文，没有方言。另外一个是Audio8-TTS-0.1B，这个更加轻量一些，主要面向中英文，还专门做了对CPU友好的ONNX INT8版本模型。

真正要说到是就是其零样本的声音克隆，只需要准备10秒左右的样本音频就能克隆一个人的音色。

说到这里，有小伙伴可能会提到，WorkBuddy本身内置引用的TTS是微软的EdgeTTS去生成语音配音的，但那个中文的效果很差，人声机械音很重。而今天老马介绍Audio8 TTS，就是想取代这个的。

废话过多有关Audio8 TTS就介绍完了，下面直接进入WorkBuddy的本地化部署实操演示，以后你要克隆什么声音，合成什么语音和配音，直接本地用CPU就能跑，就能生成，再也不用花钱接什么API，搞什么显卡了。

把下面的这段提示词直接发送WorkBuddy去部署就行了，模型建议选择GLM-5.3-Flash，最好创建一个工作空间，这样模型依赖等文件可以放进去：

完整部署这个计划 github.com/Edge0-AI/Audio8_TTS

如果在部署的过程中，WorkBuddy提示你无法访问github，或者因为网络问题无法下载模型文件等。那这个你就尝试让WorkBuddy帮你去解决吧，找一找国内的模型下载方法啥的。

与此同时，WorkBuddy还把本地的服务也启动了。这时你会发现右侧的内置浏览器会自动打开一个在线克隆音色和语音合成的操作网页。老马切换到音频注册，上传一段要被克隆的参考音频，输入参考音频原文：

参考音频是之前老马自己录的声音，截取了13秒，就算是原声吧，大家可以听听效果：

准备好参考音频跟音频对应的文字，以及给音色取一个名称，就可以点击注册音色了。注册音色就是克隆声音，克隆音色的意思。大概等了半分钟，音色就克隆完了。

克隆完老马的音色，咱要试试到底克隆得像不像，准不准，接下来就可以切换到语音合成。输入要生成语音的文本，就是要让这个克隆的音色讲什么话的文本，音色就选择刚才克隆的老马音色，其它参数暂时默认即可：

最后点击生成语音，这时模型就会使用CPU去跑合成了。整个过程也挺快，毕竟输入的文本文字比较少。总共合成了9秒的语音，大家可以听听使用克隆后的老马音色，生成的语音跟原声对比的效果如何：

这里有关语音合成中的Temperature，Top P和Seed三个参数是什么意思，以及怎样调整会有什么样的效果问题。老马也让WorkBuddy解释了一下，大家可以看看对着自己的需求去参考设置：

另外就是除了在网页上进行音色的克隆和语音的生成之外，你是可以直接跟WorkBuddy进行对话的方法去操作的：