ControlSpeech

几秒克隆音色，同时随心控制说话风格

ControlSpeech 是一个基于 ACL 2025 论文的零样本语音克隆与语言风格控制开源项目。它解决的核心问题是：传统语音合成模型难以同时实现说话人音色克隆和语言风格（如情感、语速、韵律）的灵活控制，且通常需要大量参考音频。ControlSpeech 采用解耦编解码器架构，将说话人特征与风格特征分离，允许用户仅用极短的参考音频（如几秒）克隆音色，同时通过文本指令或风格提示独立控制语言风格，实现两者同步生成。项目提供完整的训练和推理代码，支持自定义数据集，并内置预训练模型。其核心能力包括零样本说话人克隆、细粒度风格控制、以及高自然度的语音合成，适用于个性化语音助手、有声内容创作、游戏角色配音等场景。

开源 free 音频音乐

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 277

维护状态低维护

是否开源是

定价模式 free

项目数据

分类音频音乐

开发团队jishengpeng

所属国家

官网地址

GitHubhttps://github.com/jishengpeng/ControlSpeech

定价模式free

价格说明开源项目，本地部署，完全免费。

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型controlspeech,instructtts,promptstyle,prompttts,text-to-speech

GitHub 星标★ 277

30天Star增速

HF 下载量

上线时间2024-06-02 00:00:00

最近更新2026-09-02 00:00:00

维护状态低维护

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7

使用教程

核心亮点

解耦编解码器架构，音色与风格独立控制，互不干扰
零样本克隆，仅需数秒参考音频即可复刻说话人音色
支持风格提示和文本指令，灵活控制情感、语速等韵律特征

不足之处

早期项目，文档和社区支持尚待完善
模型训练资源要求较高，普通用户难以快速上手

适用场景

个性化语音助手，定制专属音色和说话风格
有声书或播客制作，快速生成不同角色配音
游戏或动画角色配音，实现风格化语音输出

替代项目

XTTS、OpenVoice、CosyVoice

项目介绍

ControlSpeech 是音频音乐领域的开源项目，由 jishengpeng 开发，2024 年首次发布。

它收录于音频音乐分类，该分类目前共有 738 个项目，GitHub 星标数为 277。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-02。本地部署，完全免费。

它主要面向的使用场景是：个性化语音助手，定制专属音色和说话风格。同类可对比的替代方案包括 XTTS、OpenVoice、CosyVoice。

上一篇：tetos

下一篇：kokoro-ios