MegaTTS3是抖音團隊聯合國內其他大學研發的一款語音合成及聲音克龍應用，可實現零樣本語音克龍及富有情感的自然語音合成。我基于當前最新版制作了免安裝一鍵啟動整合包。

MegaTTS3介紹

MegaTTS 3 是字節跳動（ByteDance）與浙江大學聯合開發的開源零樣本語音合成系統，基于輕量級擴散模型實現高質量、多語言語音克龍與合成。

主要特點

1. 輕量級擴散模型（TTS Diffusion Transformer）
   • 參數量僅 0.45B，通過逐步加噪與去噪生成語音，兼顧高效與高保真輸出。
   • 支持?10 步快速推理（CPU 約 30 秒生成語音），模型體積比傳統 TTS 縮小 60%。
2. 語音屬性分解建模
   將語音拆解為獨立屬性，針對性優化：
   • 音色：全局向量建模緩慢變化的音色特征；
   • 韻律：潛在碼語言模型捕捉語速、語調等動態變化；
   • 內容：VQGAN 聲學模型生成語譜圖；
   • 相位：基于 GAN 的聲碼器構建。
3. 稀疏對齊算法
   引入稀疏對齊邊界引導擴散變換器（DiT），降低語音-文本對齊難度，提升自然度。

核心功能亮點

1. 零樣本語音克龍
   • 僅需?5–24 秒?的目標說話人音頻（24kHz WAV 格式），即可生成高度相似的語音，相似度評分超越主流模型。
   • 需通過官方流程提取聲學潛變量（.npy?文件），與音頻配對使用。
2. 中英文混合合成
   支持雙語無縫切換，解決傳統 TTS 跨語言斷句生硬問題（如?"這是一條帶有accent的測試語句。"）。
3. 精細化語音控制
   • 口音強度：通過參數?p_w（可懂度權重）和?t_w（相似度權重）調節
   • 韻律與情感：調整語速、語調，支持情感化輸出（如驚喜、悲傷）。
4. 高質量輸出
   在 SEED 測試集上，自然度（Naturalness）和相似度（Similarity）雙指標領先競品，MOS 評分達?4.6/5.0

MegaTTS3整合包使用說明

首先將網盤內的軟件壓縮包下載到本地電腦上并解壓。雙擊【啟動軟件.exe】，軟件成功啟動后會自動打開webui界面。

如果想要實現聲音克龍，需要先制作npy格式語音樣本。

準備一個.wav格式，小于24s，音頻素材，文件名中不要包含空格，上傳到下方官方google網盤內

https://drive.google.com/drive/folders/1gCWL1y_2xu9nIFhUX_OW5MbcFuB7J5Cl

生成的npy文件可在下方鏈接下載

https://drive.google.com/drive/folders/1QhcHWcy20JfqWjgqZX1YM3I6i9u4oNlr?usp=sharing

你也可以使用官方的測試聲音

https://drive.google.com/drive/folders/16HqXzo9ENrp1q2urmw0MV6QaHEIqZE-W

或是使用別人上傳的聲音

https://drive.google.com/drive/folders/1AyB3egmr0hAKp0CScI0eXJaUdVccArGB

在MegaTTS3 webUI上傳wav音頻素材和npy語音樣本后，在inp_text里輸入需要合成語音的文本內容，然后點擊按鈕submit即可開始生成語音。

注意事項

使用前先將英偉達顯卡驅動更新到最新版本

軟件程序運行路徑中請不要有非英文字符及空格，待使用的素材文件同樣注意

軟件只支持Windows 10或11，不支持手機和MAC系統

建議英偉達顯卡顯存不低于6G

待合成語音文本長度不要超過200字符

聲音克龍軟件MegaTTS3整合包下載鏈接

夸克網盤分享