VoxFlow 是一个零样本声音克隆的 TTS 研究工具包：用少量参考音频克隆音色， 支持中英双语。它把「说话人编码器 + 流匹配 / 扩散声学模型 + 声码器」拆成清晰、 可单独替换的模块，强调可复现与离线优先。
🚧 研究早期阶段。 仓库当前提供的是完整的框架与推理链路，随包权重为随机 初始化——聚焦「架构 + 可训练 + 可跑通」，尚无预训练模型。接口仍可能变动。
- 🗣️ 零样本克隆：GE2E 风格 d-vector 说话人编码器，少量参考音频即可提取音色。
- 🌊 流匹配声学模型：条件流匹配（OT-CFM）+ 欧拉 ODE 采样，少步数出结果； 另附 DDPM 扩散实现作对照。
- 🈶 中英双语前端：
pypinyin拼音 G2P + 自带英文 G2P，中英混排、代码切换。 - 🔊 可插拔声码器：HiFi-GAN-lite 生成器，或免训练的 Griffin-Lim 后备。
- 🧩 模块化：文本前端 / 说话人编码器 / 声学模型 / 声码器各自独立，接口明确。
- 🧪 工程完善：类型标注、单元测试、ruff + mypy + CI、CPU 可跑的小配置。
pip install -e ".[dev]"
pip install torch --index-url https://download.pytorch.org/whl/cpu # CPU 环境from voxflow import VoiceCloner
from voxflow.audio.io import save_wav
cloner = VoiceCloner()
wav = cloner.clone("你好，欢迎使用 VoxFlow。", "reference.wav", language="auto")
save_wav("out.wav", wav, cloner.config.audio.sample_rate)命令行：
voxflow embed reference.wav -o speaker.npy
voxflow synth "你好世界" -r reference.wav -o out.wav --steps 10参考音频 ─▶ 说话人编码器 ─▶ spk
文本 ─▶ 文本前端 ─▶ 文本编码器/时长 ─▶ μ ─▶ 声学模型(CFM/扩散) ─▶ mel ─▶ 声码器 ─▶ 波形
ruff check . && ruff format --check .
mypy src/voxflow
pytest --cov=voxflow欢迎参与，见 贡献指南。
- 时长对齐（单调对齐搜索 MAS），打通端到端训练
- 在公开中英数据集上训练并发布权重
- 更强的英文 G2P 后端
- 声码器对抗训练与流式推理