Real-Time-Voice-Cloning

这是一个基于深度学习的实时语音克隆工具，支持仅用5秒音频样本生成任意文本的合成语音。项目实现SV2TTS三阶段框架：使用GE2E声纹编码器提取说话人特征，Tacotron作为声学模型生成梅尔频谱，WaveRNN vocoder实时合成高保真语音。技术栈基于PyTorch，兼容Windows/Linux，依赖轻量、开箱即用。适用于语音助手定制、无障碍辅助、内容创作等对低延迟和快速适配有要求的非商用场景，但音质不及当前主流商业SaaS服务。