企业官网建设流程全解析

FireRedTTS3 是一款开箱即用的零样本语音克隆系统：无需任何微调训练，只需一段几秒的参考音频，就能用目标说话人的声音朗读 24 种语言、21 种中文方言的文本。它还提供指令式音色设计与自由语音编辑能力，是新手快速上手多语种语音克隆的完整指南。

零样本语音克隆：FireRedTTS3 能做什么？

零样本语音克隆（Zero-Shot Voice Cloning）指不训练、不微调，仅凭一段参考音频（prompt audio）即可"借用"说话人的音色、语调和节奏来合成新语音。FireRedTTS3 在这一点上做到了：

• 🌍多语言：支持阿拉伯语、中文、英语、日语、韩语、法语、德语、俄语、西语等 24 种语言
• 🗣️多方言：覆盖川渝、吴语、闽南、粤语、山东、上海等 21 种中文方言
• ✂️语音编辑：用自然语言指令对已有音频做插入、删除、替换，或调整语速、音高、音量
• 🎨音色设计：不用参考音频，仅凭一句"年轻女性的温柔嗓音"描述就能生成全新声音

官方评测中，FireRedTTS3-Base 在 Seed-TTS-eval 上的平均说话人相似度达78.8%，多语种克隆 WER/CER 平均仅3.75%，均为同类最佳水平。

准备工作：FireRedTTS3 安装步骤

一键克隆代码仓库

git clone https://gitcode.com/gh_mirrors/fi/FireRedTTS3 cd FireRedTTS3

安装依赖

依赖清单见 requirements.txt，包含 PyTorch 2.8、transformers、wetext 等：

pip install -r requirements.txt

下载预训练模型

两种方式任选其一（模型约几百 MB 级，请耐心等待）：

# 方式一：Hugging Face pip install "huggingface_hub[cli]" hf download FireRedTeam/FireRedTTS3 --local-dir pretrained_models/ # 方式二：ModelScope（国内网络更友好） pip install modelscope modelscope download --model FireRedTeam/FireRedTTS3 --local_dir pretrained_models/

最快上手方式：Gradio 网页界面

对新手最友好的方式是直接打开官方 Gradio 演示界面，无需写一行代码：

pip install gradio python gradio_base.py --host "0.0.0.0" --port 7860

浏览器访问http://0.0.0.0:7860即可进入界面，核心操作只有三步：

1. 选择语言/方言（如 Chinese 中文）
2. 上传参考音频（Prompt Audio）并填写音频对应的文字转录
3. 输入要合成的文本，点击Generate Speech生成语音

左侧为 Base 语音克隆界面，右侧为 Instruct 音色设计与语音编辑界面。入口脚本分别是 gradio_base.py 和 gradio_instruct.py。

Python API 调用：三行代码生成克隆语音

若要在自己的项目中集成，核心合成管线位于 fireredtts3/core.py，最简用法如下：

from fireredtts3.core import FireRedTTS3 import torchaudio tts = FireRedTTS3("pretrained_models", use_wetext=True) prompt_audio, prompt_audio_sr = torchaudio.load("prompt.wav") gen_audio, gen_audio_sr = tts.generate( language=None, # None 表示自动检测语言 prompt_text="参考音频对应的文字", prompt_audio=prompt_audio, prompt_audio_sr=prompt_audio_sr, text="今天天气很好，我们一起去公园散步吧。", ) torchaudio.save("gen.wav", gen_audio, gen_audio_sr)

完整的 API 示例（含方言标签、Instruct 接口）可参考 README.md 的 Quick Start 部分。

让克隆效果更逼真的 5 个技巧

1. 参考音频与目标语言一致：合成日语就用日语参考音频，合成四川话就用四川话参考音频——输出会继承参考音频的说话风格。
2. 选择干净录音：参考音频尽量无人声背景噪音、无音乐，时长 3~10 秒即可，过长容易引入杂音。
3. 准确填写 Prompt Transcription：参考音频的文字转录越准确，克隆效果越稳定。
4. 明确指定语言：language参数支持Chinese、ZH_Sichuan（川渝方言）等标签，明确指定优于自动检测。
5. 调节随机种子与 CFG：Gradio 界面中的 Random seed 与 CFG guidance scale 可改变生成的自然度，同一文本可多试几次挑选最像的一版。

进阶玩法：FireRedTTS3-Instruct 语音设计与编辑

除克隆外，Instruct 模型用一句自然语言指令驱动三种高级能力（接口在 fireredtts3/llm/fireredtts3_instruct.py）：

启动方式与 Base 相同：python gradio_instruct.py --port 7860。

合规使用提醒

零样本语音克隆能力仅限学术研究用途：请勿将其用于任何非法活动或冒用他人声音。如发现滥用行为，请及时向项目团队报告。

小结

只需参考音频、无需微调，FireRedTTS3 让多语种、多方言的零样本语音克隆变得前所未有地简单。现在就可以动手，用几秒录音复刻出专属于你的声音。