基于千问 3 TTS 的音色创造和音色克隆 Web 应用
元视界 AI 妙妙屋—魔法语音是一个功能强大的语音合成应用，让你轻松创造和克隆个性化音色。通过简单的文字描述或录音，你就能生成独特的语音风格，并实时预览和使用这些音色进行文本转语音。
- 智能音色创造：通过自然语言描述生成个性化音色
- 高质量音色克隆：录制 10 秒语音即可克隆专属音色
- 实时音频预览：立即试听生成的音色效果
- 流式语音合成：通过 WebSocket 实现低延迟的语音合成
- 自动音量增益：内置音频增益处理，确保生成的语音清晰响亮
- 响应式设计：适配各种屏幕尺寸的现代化界面
- FastAPI 0.100+ - 高性能 Python Web 框架
- WebSocket - 实时通信协议
- DashScope SDK - 千问 TTS API 客户端
- Python 3.8+ - 编程语言
- Vue 3 - 渐进式 JavaScript 框架
- Vite - 下一代前端构建工具
- Pinia - Vue 3 状态管理
- Element Plus - 基于 Vue 3 的 UI 组件库
- WebSocket API - 浏览器实时通信接口
Voice_Magic/
├── backend/ # 后端项目
│ ├── main.py # FastAPI 主入口（包含静态文件服务配置）
│ ├── requirements.txt # Python 依赖列表
│ ├── .env.example # 环境变量示例文件
│ ├── .env # 环境变量（实际使用时配置）
│ ├── previews/ # 音频预览文件存储目录
│ ├── api/ # API 路由模块
│ │ ├── voice_design.py # 音色创造 API 端点
│ │ ├── voice_clone.py # 音色克隆 API 端点
│ │ ├── settings.py # 设置 API 端点
│ │ └── tts.py # TTS WebSocket API 端点
│ ├── services/ # 业务逻辑层
│ │ ├── voice_design_service.py # 音色创造业务逻辑
│ │ ├── voice_clone_service.py # 音色克隆业务逻辑
│ │ └── tts_service.py # TTS 流式服务逻辑
│ ├── models/ # 数据模型定义
│ │ └── schemas.py # Pydantic 模型定义
│ ├── utils/ # 工具函数
│ │ └── storage.py # 文件和数据存储工具
│ └── data/ # 数据存储目录
│ ├── voices.json # 创造的音色数据
│ ├── cloned_voices.json # 克隆的音色数据
│ └── settings.json # 应用设置
├── frontend/ # 前端项目
│ ├── src/
│ │ ├── main.js # Vue 应用入口
│ │ ├── App.vue # 根组件
│ │ ├── router/ # Vue Router 配置
│ │ ├── views/ # 页面组件
│ │ │ ├── Home.vue # 首页
│ │ │ ├── VoiceDesign.vue # 音色创造页面
│ │ │ └── VoiceClone.vue # 音色克隆页面
│ │ ├── components/ # 可复用组件
│ │ │ └── SettingsModal.vue # 设置弹窗组件
│ │ ├── api/ # API 调用封装
│ │ └── stores/ # Pinia 状态管理
│ ├── public/ # 静态资源
│ ├── package.json # npm 依赖
│ └── vite.config.js # Vite 配置
└── README.md # 项目说明文档
- Python 3.8+ （推荐使用 Python 3.10）
- Node.js 16+ （推荐使用 Node.js 18+）
- npm 或 yarn 包管理工具
# 进入后端目录
cd backend
# 创建并激活虚拟环境（可选但推荐）
python -m venv venv
# Windows: venv\Scripts\activate
# Linux/Mac: source venv/bin/activate
# 安装依赖
pip install -r requirements.txt
# 配置环境变量
# 复制示例文件并修改
cp .env.example .env
# 编辑 .env 文件，填入你的千问 API Key环境变量说明：
# 千问 API Key（必填）
DASHSCOPE_API_KEY=your_api_key_here
```bash
# 启动后端服务
python main.py后端服务将在 http://localhost:8000 启动
# 进入前端目录
cd frontend
# 安装依赖
npm install
# 启动开发服务器
npm run dev前端服务将在 http://localhost:3000 启动
步骤：
- 在"音色创造"页面输入详细的音色描述（例如："温柔的女声，音色甜美，语速适中，带有轻微的江南口音"）
- 输入预览文本（可选，用于生成音色预览）
- 点击"创建音色"按钮
- 等待系统生成音色（通常需要 10-30 秒）
- 生成完成后，在音色列表中会显示新创建的音色
- 点击音色卡片上的"播放"按钮预览音色效果
- 选择音色，输入要转换的文字，点击"生成语音"按钮进行流式合成
提示：
- 描述越详细，生成的音色越符合预期
- 可以尝试不同的形容词组合，如"低沉"、"活泼"、"优雅"等
步骤：
- 在"音色克隆"页面设置录音时长（建议 10 秒以上）
- 点击"开始录音"按钮，对着麦克风说话
- 点击"停止录音"按钮结束录音
- 预览录音内容，确保声音清晰
- 点击"克隆声音"按钮开始克隆（通常需要 1-2 分钟）
- 克隆完成后，在音色列表中会显示新克隆的音色
- 选择音色，输入文字进行语音合成
重要注意事项：
- 录音时长限制：阿里云 API 要求音频的有效时长（去除静音后）必须大于 5 秒。如果录音中包含大量静音或噪音被过滤，可能导致克隆失败。建议录制 10 秒以上 且保持连续说话。
- 浏览器安全限制：由于浏览器安全策略，录音功能必须在 localhost 或 HTTPS 环境下使用。如果使用 HTTP + IP 地址访问，录音功能将被浏览器禁用。
- 环境要求：录音环境应保持安静，避免背景噪音。
- 设备建议：建议使用高质量麦克风录制以获得最佳效果。
- 每个音色卡片都有一个"播放"按钮，点击即可预览音色
- 预览音频文件存储在后端的
previews/目录 - 前端通过静态文件服务访问音频文件：
http://localhost:8000/previews/文件名.wav - 自动增益：系统会自动对生成的预览音频进行增益处理（放大音量），确保试听效果清晰。
- 访问阿里云官网：https://help.aliyun.com/zh/model-studio/get-api-key
- 登录或注册阿里云账号
- 进入模型服务平台控制台
- 创建并获取 API Key
- 注意选择正确的地域（北京或新加坡）
重要提示：
- 不同地域的 API Key 不通用
- 确保 API Key 安全，不要泄露给他人
- 如果 API Key 失效，请生成新的并重新配置
A: 请检查：
- API Key 是否正确配置
- 网络连接是否正常
- 描述是否符合要求（建议 10-50 个字符）
A: 阿里云 API 会对上传的音频进行 VAD（语音活动检测），自动切除静音和噪音。
- 原因：你的录音虽然总时长够长，但去除静音后的有效人声不足 5 秒。
- 解决：请尝试录制更长的音频（建议 10-20 秒），并保持连续说话，减少停顿。
A: 原始生成的音频音量可能较低。本项目已内置了自动增益控制（AGC）：
- 前端合成：实时语音合成时，前端会自动放大音量（Gain=10.0）。
- 后端预览：新创建音色的预览文件，后端会自动放大音量（Gain=5.0）。
- 自定义：如需调整，可修改
frontend/src/views/VoiceClone.vue或backend/services/voice_design_service.py中的gain参数。
A: 请检查：
- 浏览器是否支持 MediaRecorder API
- 是否已授予麦克风权限
- 是否在安全上下文中使用：必须使用
localhost或HTTPS访问，HTTP + IP 地址无法使用录音功能。
A: 虽然模型支持跨物种克隆，但 VAD 算法主要针对人声优化，纯动物叫声容易被当成噪音过滤导致“时长不足”错误。 建议：在录音开头加一两句人声引导（如“这是一只小狗的声音”），然后再录制动物叫声，有助于通过检测。
MIT License
- 功能优化：
- 增加音量自动增益控制，解决生成音量过小问题
- 优化错误提示，明确“有效时长不足”的具体原因
- 增加浏览器安全上下文检测，提示录音功能限制
- 文档更新：完善 README，补充音量控制、克隆限制等说明
- 初始版本发布
- 实现音色创造和克隆功能
- 支持实时音频预览
- 实现流式语音合成
- 响应式界面设计
欢迎提交 Issue 和 Pull Request！
如有问题或建议，请通过以下方式联系：
- 作者：元视界_O 凌枫 o
- 项目地址：https://github.com/lfenghx/Voice_Magic
- 邮箱：550916599@qq.com