Cross-Speaker-Emotion-Transfer

让任意声音说出带指定情感的语音，跨说话人情感迁移。

这是一个基于PyTorch实现的跨说话人情感迁移语音合成项目，源自字节跳动的研究成果。它解决的核心问题是：在文本到语音（TTS）合成中，如何让一个说话人的声音表达出另一个说话人的情感风格。项目通过说话人条件层归一化（Speaker Condition Layer Normalization）和半监督训练技术，结合全局风格令牌（GST），实现了情感特征的解耦与迁移。核心能力包括：支持从参考音频中提取情感特征并迁移到目标说话人的语音中，同时保持目标说话人的音色和韵律；采用半监督学习，利用未标注情感标签的数据提升模型泛化能力。项目提供了完整的训练和推理代码，适合研究情感语音合成、人机交互等领域的开发者使用。

开源 free 音频音乐

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 193

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keonlee9420

所属国家

官网地址

GitHubhttps://github.com/keonlee9420/Cross-Speaker-Emotion-Transfer

定价模式free

价格说明开源项目，MIT许可证，完全免费，需自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型conditional-layer-normalization,cross-speaker,deep-neural-networks,emotion-transfer,generative-model,global-style-tokens,neural-tts,non-ar,non-autoregressive,parallel-tacotron,pytorch,semi-supervised-learning,speech-synthesis,text-to-speech,tts

GitHub 星标★ 193

30天Star增速

HF 下载量

上线时间2021-10-16 00:00:00

最近更新2026-08-14 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3

使用教程

核心亮点

基于字节跳动前沿研究，方法有学术支撑，实现完整。
支持半监督训练，可利用无标签数据，降低数据标注成本。
代码结构清晰，提供预训练模型和推理脚本，上手快。

不足之处

文档/社区待观察
依赖特定数据集，泛化到其他语言或场景需自行适配。

适用场景

语音合成研究：探索情感表达与说话人音色解耦。
有声内容制作：为虚拟角色或配音快速赋予不同情感。
人机交互：让语音助手根据语境表达情感，提升体验。

替代项目

Emotional TTS (如EmoVoice)、Tacotron2 with GST、FastSpeech2 with emotion embedding

项目介绍

Cross-Speaker-Emotion-Transfer 是音频音乐领域的开源项目，由 keonlee9420 开发，2021 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 193。

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 2026-08-14。MIT许可证，完全免费，需自行部署使用。

它主要面向的使用场景是：语音合成研究：探索情感表达与说话人音色解耦。同类可对比的替代方案包括 Emotional TTS (如EmoVoice)、Tacotron2 with GST、FastSpeech2 with emotion embedding。

上一篇：VoxSherpa-TTS

下一篇：tortoise.cpp