FreeVC
FreeVC 是一款专注于高质量“无文本”语音转换的开源工具。它的核心功能是让用户仅需提供一段目标说话人的简短录音（即“一次样本”），就能将任意源语音转换为该目标音色，而无需知道原始语音对应的文字内容。
这一工具主要解决了传统语音转换技术对文本标注依赖性强、数据准备成本高的问题。在许多实际场景中，获取精准的逐字文本标注非常困难，FreeVC 通过端到端架构，实现了在完全脱离文本信息的情况下，依然能保持高保真的语音还原和自然的音色迁移。
FreeVC 非常适合语音合成领域的研究人员、开发者以及需要构建隐私保护型语音应用的技术团队使用。对于普通用户，也可以通过其集成的 HuggingFace 在线演示直接体验效果。
其技术亮点在于巧妙结合了 VITS 框架进行高质量波形重建，并利用 WavLM 模型提取内容特征。为了确保在不依赖文本时仍能精准分离语音内容与音色，FreeVC 引入了“信息瓶颈”机制来净化内容信息，并独创了基于“频谱图缩放”的数据增强策略，显著提升了转换后语音的清晰度和自然度。目前项目已开放代码、预训练模型及在线试玩，支持 24kHz 高清输出，是探索无监督语音转换的优质选择。
使用场景
一家小型独立游戏工作室正在为角色配音，但预算有限无法聘请多位专业声优，只能由一名配音演员录制所有角色的原始干音。
没有 FreeVC 时
- 音色单一缺乏区分度：所有 NPC 听起来都是同一个人的声音，玩家难以通过听觉分辨角色身份，严重破坏沉浸感。
- 依赖文本标注成本高：传统变声方案往往需要精确的字幕或音素对齐数据，整理这些文本标注耗费了团队大量额外时间。
- 音质损失严重：简单的音调调整导致声音出现机械感或背景噪音被放大，无法满足高品质游戏的发布标准。
- 样本需求量大：若要训练定制化模型，通常需要目标角色长达数小时的清晰录音，而剧组仅能提供极短的参考样音。
使用 FreeVC 后
- 一键实现“一人千面”：利用 FreeVC 的免文本单次转换能力，仅需一段几秒的目标角色参考音频，即可将主演声音完美转换为不同年龄、性别的角色音色。
- 无需文本预处理：直接提取语音内容特征，彻底省去了繁琐的字幕对齐和音素标注环节，让美术和策划人员也能直接操作。
- 高保真波形重建：基于 VITS 端到端框架，转换后的语音保留了丰富的情感细节和自然度，听感接近真实录音棚效果。
- 极低数据门槛：即使是只有几句台词的冷门角色，也能通过"One-Shot"技术快速生成高质量配音，大幅缩短制作周期。
FreeVC 让小团队仅凭一名声优和少量参考音频，就能低成本构建出层次丰富、听感专业的游戏语音世界。
运行环境要求
- Linux
必需 NVIDIA GPU (命令中包含 CUDA_VISIBLE_DEVICES)，具体型号和显存未说明，需支持 CUDA
未说明
快速开始
FreeVC：迈向高质量的无文本单样本语音转换
在这篇 论文 中，我们采用了 VITS 的端到端框架来实现高质量的波形重建，并提出了一种无需文本标注即可提取纯净内容信息的方法。我们通过对 WavLM 特征施加信息瓶颈来解耦内容信息，同时提出了基于 spectrogram-resize 的数据增强方法，以进一步提升所提取内容信息的纯净度。
请访问我们的 演示页面 查看音频样本。
我们还提供了 预训练模型。
 |
 |
| (a) 训练 | (b) 推理 |
|---|
更新日志
- 代码发布。（2022年11月27日）
- 在 HuggingFace Spaces 上上线在线演示。（2022年12月14日）
- 支持生成 24kHz 输出。详情请参见 这里。（2022年12月15日）
- 修复数据加载错误。（2023年1月10日）
前置条件
克隆本仓库：
git clone https://github.com/OlaWod/FreeVC.git进入该仓库目录：
cd FreeVC安装 Python 依赖：
pip install -r requirements.txt下载 WavLM-Large，并将其放置在
wavlm/目录下。下载 VCTK 数据集（仅用于训练）。
下载 HiFi-GAN 模型，并将其放置在
hifigan/目录下（仅用于带超分辨率的训练）。
推理示例
下载预训练检查点并运行：
# 使用 FreeVC 进行推理
CUDA_VISIBLE_DEVICES=0 python convert.py --hpfile logs/freevc.json --ptfile checkpoints/freevc.pth --txtpath convert.txt --outdir outputs/freevc
# 使用 FreeVC-s 进行推理
CUDA_VISIBLE_DEVICES=0 python convert.py --hpfile logs/freevc-s.json --ptfile checkpoints/freevc-s.pth --txtpath convert.txt --outdir outputs/freevc-s
训练示例
- 预处理
python downsample.py --in_dir </path/to/VCTK/wavs>
ln -s dataset/vctk-16k DUMMY
# 如果需要不同的训练-验证-测试划分，可运行以下命令：
python preprocess_flist.py
# 如果希望使用预训练的说话人编码器，可运行：
CUDA_VISIBLE_DEVICES=0 python preprocess_spk.py
# 如果不希望使用基于超分辨率的数据增强，可运行：
CUDA_VISIBLE_DEVICES=0 python preprocess_ssl.py
# 如果希望使用基于超分辨率的数据增强，可分别运行以下命令：
CUDA_VISIBLE_DEVICES=1 python preprocess_sr.py --min 68 --max 72
CUDA_VISIBLE_DEVICES=1 python preprocess_sr.py --min 73 --max 76
CUDA_VISIBLE_DEVICES=2 python preprocess_sr.py --min 77 --max 80
CUDA_VISIBLE_DEVICES=2 python preprocess_sr.py --min 81 --max 84
CUDA_VISIBLE_DEVICES=3 python preprocess_sr.py --min 85 --max 88
CUDA_VISIBLE_DEVICES=3 python preprocess_sr.py --min 89 --max 92
- 训练
# 训练 FreeVC
CUDA_VISIBLE_DEVICES=0 python train.py -c configs/freevc.json -m freevc
# 训练 FreeVC-s
CUDA_VISIBLE_DEVICES=2 python train.py -c configs/freevc-s.json -m freevc-s
参考文献
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。