最新修改 2025年 10月 25日 by amiao
概述
FireRedTTS‑2 是一种用于多说话人对话生成的长格式流式 TTS 系统，可提供稳定、自然的语音，具有可靠的说话人切换和上下文感知的韵律。
长对话语音合成系统，可通过提供文本和可选参考音频生成自然流畅的语音输出，支持长对话场景下的连续发言，确保语气与节奏自然连贯，支持中文、英文、日文、韩文、法文、德文及俄文，具备零样本语音克隆能力，适用于播客、聊天机器人等多发言人场景，免费开源，使用 Python 开发。
亮点🔥
- 长对话语音生成：目前支持 4 位说话者的 3 分钟对话，并且可以通过扩展训练语料库轻松扩展到更多说话者的更长对话。
- 多语言支持：支持英语、中文、日语、韩语、法语、德语、俄语等多种语言。支持零样本语音克隆，适用于跨语言和代码切换场景。
- 超低延迟：基于新的12.5Hz 流式语音标记器，我们采用了双变压器架构，该架构在文本语音交错序列上运行，从而实现了灵活的逐句生成并减少了首包延迟。具体而言，在 L20 GPU 上，我们的首包延迟低至 140ms，同时保持高质量的音频输出。
- 强稳定性：我们的模型在独白和对话测试中都实现了高相似度和低WER/CER。
- 随机音色生成：用于创建 ASR/语音交互数据。
演示
随机音色生成和多语言支持 多语言360p.mp4
零样本播客生成 聊天克隆_360p.mp4
针对特定演讲者进行精细调整的播客生成
⚠️演讲者声音：播客《肥话连篇》主持人“肥杰”和“惠子”。未经授权禁止使用。
⚠️声音来源：播客《肥话连篇》主播“肥杰”和“惠子”，尚未授权不能使用。 演示_v7_360p.mp4