VoiceCraft

VoiceCraft 是一个基于神经编解码器的语音编辑与零样本文本转语音（TTS）模型，支持仅用数秒参考音频即可克隆或编辑任意未见过的说话人声音。其核心技术是 token infilling 架构，在真实场景音频（如播客、有声书、网络视频）上实现高质量语音生成与局部编辑，无需目标说话人训练数据。项目提供 Gradio 交互界面、Colab 快速体验、Docker 部署及命令行脚本，便于集成到语音内容生产、无障碍辅助、音视频后期等实际应用中。