Irodori-TTS

用表情符号控制语音风格，让 TTS 更生动自然

Irodori-TTS 是一个基于 Flow Matching 的文本转语音（TTS）模型，特色在于通过表情符号（emoji）驱动风格控制。它解决了传统 TTS 模型在情感表达和风格切换上不够灵活的问题，允许用户直接在文本中插入 emoji 来指定语气、情绪或说话风格，从而生成更自然、更具表现力的语音。项目核心能力包括高质量语音合成、零样本声音克隆以及细粒度的风格控制。技术栈基于 Python 和扩散/流匹配模型，支持多说话人，并提供了训练和推理的完整流程。目前项目处于成长阶段，社区活跃，适合对个性化语音合成和情感表达有需求的开发者或研究者。

开源 free 音频音乐

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1315

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类音频音乐

开发团队Aratako

所属国家

官网地址

GitHubhttps://github.com/Aratako/Irodori-TTS

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型diffusion-models,flow-matching,python,speech-synthesis,text-to-speech,tts,voice-cloning

GitHub 星标★ 1315

30天Star增速

HF 下载量

上线时间2026-02-25 00:00:00

最近更新2026-09-23 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数5

使用教程

难度：进阶约 20 分钟部署方式：本地安装 4 步

环境要求

已安装 git（用于克隆仓库）
已安装 uv 包管理器（README 用 uv sync 管理依赖）
NVIDIA GPU 与 CUDA 12.8 环境（默认 cu128 extra，支持 Linux/Windows）
可访问 Hugging Face 下载模型权重

安装与启动步骤

1克隆代码仓库

从 GitHub 拉取 Irodori-TTS 源码。main 分支对应 v4 代码库，适配 Irodori-TTS-v4.1-Small 发布版。
```
git clone https://github.com/Aratako/Irodori-TTS.git
```
2进入项目目录

切换到克隆下来的仓库根目录，后续安装命令都在此目录执行。
```
cd Irodori-TTS
```
3安装依赖

用 uv 同步依赖并安装 CUDA 12.8 版 PyTorch 后端，适用于 Linux/Windows。若需其他后端，参阅 README 的 backend extras 部分。
```
uv sync --extra cu128
```
4获取模型权重

README 未给出下载命令，需自行前往 Hugging Face 的 Irodori-TTS-v4.1-Small 模型卡获取权重与音频样例。

如何确认成功

README 未提供推理或服务启动命令，需按 v4.1-Small 模型卡示例运行推理来确认权重与环境可用。

常见问题

Q：必须用 NVIDIA GPU 吗？

A：README 默认安装命令 uv sync --extra cu128 面向 CUDA 12.8。README 提到可按需选择其他 PyTorch 后端 extras，但该部分内容被截断，请查看仓库原文。

Q：不同版本权重能混用吗？

A：不能随意混用。README 明确说明 v1 的权重与预处理同 v2/v3/v4 不兼容；main 分支保留对已发布 v2/v3 base 与 VoiceDesign 权重的向后兼容。

Q：支持哪些风格控制能力？

A：支持零样本声音克隆、多模态语音设计（文本+参考语音+描述文本）以及 emoji 风格控制；参考音频可拼接，上限为 checkpoint 的 120 秒。

Q：想要 OpenAI 兼容的推理接口怎么办？

A：README 指向独立仓库 Irodori-TTS-Server（https://github.com/Aratako/Irodori-TTS-Server），本项目本身只包含训练与推理代码。

注意事项

main 分支跟踪 v4 代码库，配合统一的 Irodori-TTS-v4.1-Small 发布版使用。
v3、v2、v1 的旧代码状态可通过对应 git tag 获取。
模型权重与音频样例在 Hugging Face 模型卡 Aratako/Irodori-TTS-v4.1-Small，需自行下载。
参考音频拼接总长度受 checkpoint 限制，最长 120 秒。

核心亮点

创新性地使用 emoji 作为风格控制信号，交互直观且无需额外标注
基于 Flow Matching 架构，生成语音质量高，训练稳定
支持零样本声音克隆，可快速适配新说话人

不足之处

项目较新，文档和社区生态仍在完善中
对 emoji 的语义映射依赖训练数据，可能对复杂或罕见表情支持有限

适用场景

有声书或播客制作，快速调整旁白情绪
游戏或虚拟角色配音，实现动态风格切换
辅助语音交互系统，让机器人表达更人性化

替代项目

Coqui TTS、Bark、XTTS

项目介绍

Irodori-TTS 是音频音乐领域的开源项目，由 Aratako 开发，是 2026 年新上线的项目。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,315）位列前 30%，在音频音乐分类的 738 个项目里位列前 14%。

近 42 天，它的 GitHub 星标从 1,169 增加到 1,315，净增 146。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-23。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：有声书或播客制作，快速调整旁白情绪。同类可对比的替代方案包括 Coqui TTS、Bark、XTTS。

上一篇：TransformerTTS

下一篇：TTS-Audio-Suite