零样本克隆Zero-shot
5-10 秒参考音频即可复刻目标音色，无需训练与微调。
Features
克隆、情感与时长分开控制
音色来自参考音频，情感可另选音频、向量或文本描述，时长可按目标秒数对齐。
情感控制Emotion
四种模式：同音色、参考情感音频、情感向量滑块、文本描述情感。
时长控制Duration
按目标时长生成语音，适用于需要与画面同步的配音场景。
桌面界面PySide6 GUI
开始任务、任务记录、参考音色、模型管理、设置五个页面。
任务队列Queue
多任务排队生成，历史结果可回放、导出与重复使用。
模型管理Models
模型不随安装包分发，首次运行按清单下载与校验。
激活与更新License
应用内激活，支持检查新版本并下载更新。
一键安装Installer
安装向导自动创建桌面与开始菜单快捷方式，开箱可用。
多语言文本Multilingual
中文、日文与粤语混合文本，经多语言分词器统一处理。
Engine
推理链路
基于 IndexTTS2.5，文本经分词后由自回归模型生成语义标记，再经扩散与声码器还原波形。
01 / 音色参考
提取说话人特征
从参考音频中提取音色与可选的片段区间。
w2v-bert-2.002 / 文本预处理
展开易读错的混合 token
数字、英文缩写与标点按规则展开后分句编码。
tiktoken03 / 情感建模
按模式给出情感条件
八类情感标签与情感向量，或由文本描述推导风格。
qwen0.6bemo404 / 自回归生成
生成语义标记序列
按采样参数逐帧生成，时长控制在此生效。
gpt.pth · num_beams 305 / 声码还原
还原 22 kHz 波形
扩散模型与声码器输出 WAV 文件，可回放与导出。
s2mel.pth · codec.pth当前阶段：音色参考 · 提取说话人特征 20%
显存要求
推荐 8 GB 以上显存，CUDA 12.8 或更高版本驱动；开启 FP16 可降低占用。
首次启动
自动下载 AI 运行环境与模型，约 3 GB 环境加约 3 GB 模型，需要预留磁盘空间。
数据边界
模型下载需要联网，音频与文本的推理在显卡上本机完成，不上传素材内容。
Scenarios
常见用途
视频解说与广告配音
有声书与播客录制
多语言内容本地化
课件与培训语音
游戏与虚拟角色对白
音色样本整理与试听
Download
下载与安装
安装向导会创建桌面与开始菜单快捷方式；首次启动时软件自动下载并校验所需模型。
兔兔薯语音克隆器 Pro v1.0.3
20261007
- 适用平台Windows 10 / 11 64 位
- 安装包大小约 38 MB
- 图形界面PySide6 原生窗口
- 运行环境首次启动自动下载
- 模型文件按清单下载与校验
- 显卡NVIDIA · 推荐 8 GB 显存以上
https://tts.qzent.ai/releases/TuTuShuVoiceClonePro-Setup-1.0.3.exe
SHA256 0c7d8781d168eb402c60b7ee15e42ff43bf4923433b79366999e4239acc9eefa
安装包需放在站点部署根目录的
releases/ 下；模型与用户数据默认写入 %APPDATA%\兔兔薯语音克隆器 Pro，卸载时可选择保留。
蓝奏云备用下载
交流与反馈
直连不理想时改用云盘镜像，同一安装包，免登录、无需客户端。
提取码待填写
交流与反馈
扫码加入用户群，获取更新提醒与使用答疑。
Quick Start
五步完成一次合成
-
01
安装并启动
运行安装包，按向导完成后双击桌面快捷方式启动「兔兔薯语音克隆器 Pro」。
-
02
下载模型
进入「模型管理」，按清单下载并校验所需模型文件。
-
03
准备音色参考
在「开始任务」导入参考音频，可拖拽波形选定片段，不选则使用完整音频。
-
04
输入文本并调参
填写待合成文本，选择情感模式、时长控制与 FP16 加速等选项。
-
05
生成与导出
点击「生成」，任务完成后在「任务记录」回放或导出 WAV 文件。
Requirements
系统要求
运行环境
- 操作系统Windows 10 / 11 64 位
- Python无需安装 · 随包分发
- 安装包约 38 MB
- 磁盘预留约 6 GB 以上
显卡与驱动
- 显卡NVIDIA 独立显卡
- 显存推荐 8 GB 以上
- CUDA12.8 或更高驱动
- 加速FP16 可降低占用
模型与数据
- 核心模型IndexTTS-2.5
- 情感模型qwen0.6bemo4-merge
- 获取方式首次运行自动下载
- 输出格式WAV · 22 kHz
Tech Stack
技术栈
上游为开源项目 IndexTTS2，本工具在其之上提供 Windows 桌面封装与模型管理。
- IndexTTS2.5语音合成模型
- PySide6图形界面
- PyTorch + CUDAGPU 推理
- BigVGAN v222 kHz 声码器
- w2v-bert-2.0说话人特征提取
- MaskGCT语义编码
- Qwen 0.6B Emo文本情感描述
- tiktoken多语言分词
- NSISWindows 安装向导
FAQ
常见问题
没有 NVIDIA 显卡可以使用吗？
当前版本以 CUDA 推理为主，需要 NVIDIA 独立显卡，推荐 8 GB 以上显存并安装 CUDA 12.8 或更高版本驱动。
需要自己安装 Python 或依赖吗？
不需要。安装包内已包含启动器与环境管理组件，首次启动时由软件自动下载约 3 GB 的 AI 运行环境，无需手动配置 Python。
首次启动为什么要下载这么多内容？
为了控制安装包体积，AI 运行环境与模型文件不随安装包分发。软件会在「模型管理」中按清单下载并校验，完成后即可离线合成。
音频与文本会上传吗？
不会。下载模型需要联网，合成过程在本机显卡上完成，参考音频与文本不经过云端接口。激活状态由授权服务校验。
模型和输出文件放在哪里？
默认写入 %APPDATA%\兔兔薯语音克隆器 Pro，包含 env、checkpoints 与 outputs 三个目录；卸载时可选择一并删除或保留。
直连下载慢或打不开怎么办？
可改用页面上的蓝奏云备用链接下载同一安装包；若两条链接都不可用，请通过用户群反馈。
支持多语言文本吗？
支持中文、日文与粤语混合文本，由多语言分词器统一处理；数字、英文缩写等易读错的混合 token 会在送模型前自动展开。