ViiTorVoice - 云上曲率推出的 AI 语音合成模型

ViiTorVoice是什么

先说说这个ViiTorVoice到底是什么来头。它是由云上曲率推出的全球首个支持局部编辑的AI语音合成模型，一发布就直接拿下了Seed-TTS权威评测的榜首。核心架构是NAR（非自回归），说白了就是“像改Word一样修语音”——你可以定向替换音频里的某个词或某一片段，其余的音色、节奏、情感全都不变。除此之外，它还支持无文本跨语种克隆、情绪精准控制，以及低至60ms的端到端首帧延迟。值得一提的是，1B参数的模型已经开源，开发者可以直接上手。

ViiTorVoice的主要功能

• 片段级局部编辑
  ：指定替换音频中的某个词或片段，其余部分完全不变，精准得像用手术刀。

• 语音克隆
  ：支持无参考文本（Zero-Shot）跨语种克隆，只需上传纯音频就能提取音色，连转录文本都不需要。

• 情绪与副语言控制
  ：通过插入特殊Token（比如、）实现词级精准控制，还引入了CFG技术强化情绪表达，不再是“冷冰冰”的合成音。

• 低延迟推理
  ：首帧生成时间低于60ms，支持首块推理，几乎感觉不到等待。

• 多语种支持
  ：中、英、日、韩等多语种内容生成，覆盖主流语言。

如何使用ViiTorVoice

• 访问Demo页面
  ：直接打开Hugging Face的在线体验地址（https://huggingface.co/spaces/ZzWater/ViiTorVoice），无需本地部署。

• 选择功能模式
  ：在界面顶部切换「Voice Edit」（局部编辑）或「Voice Clone」（语音克隆）标签，看你要修词还是克隆。

• 上传源音频
  ：把需要编辑或克隆的原始音频文件拖入左侧「Source Audio」区域，支持常见格式。

• 输入文本指令
  ：在编辑框中填写原始转录文本和修改后的目标文本，系统会自动定位差异片段——你只管写，它来算。

• 插入情绪标签
  ：如果想控制情感，在文本里插入特殊Token，比如表示笑声、表示叹气，模型就会按标记执行。

• 调整生成参数
  ：设置推理步数（4步或8步）等配置，点击生成按钮，等几秒就好。

• 预览与下载
  ：右侧「Edited Audio」区域播放效果，确认无误后下载保存到本地，一步到位。

ViiTorVoice的核心优势

• 评测成绩全球第一
  ：在Seed-TTS榜单上，英文词错率1.32、中文词错率0.99，SIM-o与UTMOS分数也全面领先，数据不会说谎。

• 独创局部编辑能力
  ：行业唯一支持片段级定向编辑，解决了传统TTS改词必须整段重录的痛点——以前改一个词要跑整句，现在只改那一秒。

• 无文本依赖克隆
  ：不需要准确的转录文本就能实现跨语种音色迁移，这对小语种场景来说非常实用。

• 极速推理
  ：首帧延迟控制在60ms以内，远优于行业常见的150-200ms水平，实时交互毫无压力。

ViiTorVoice的项目地址

• GitHub仓库
  ：https://github.com/viitor-ai/viitor-voice-nar

• HuggingFace模型库
  ：https://huggingface.co/ZzWater/ViiTorVoice-NAR

ViiTorVoice的同类竞品对比

ViiTorVoice的应用场景

• 影视后期制作
  ：对白调整无需召集演员重进录音棚，导演在非线性时间线上直接替换台词，音色和呼吸节奏都能无缝保持一致——省时又省心。

• 有声书与播客
  ：录制中间出现口误或专有名词错误，只需定向修改一两秒的音频，不用重录整章。后期修音时间从几天压缩到几十分钟，效率提升显著。

• 短剧出海本地化
  ：不需要重新召集配音演员，直接在原始录音上替换特定用词，就能产出多语言版本。每版听感都像原生表演，本地化成本大幅降低。

• 广告营销
  ：文案临时调整产品名称或Slogan时，直接局部替换音频片段，品牌音色和情绪感染力得以保留，不需要重录整个广告。

• 游戏配音
  ：跨语种角色语音快速克隆，只要上传角色原声音频，就能生成中、英、日、韩等多语种配音，让游戏角色在全世界说同一种“声音”。