Orpheus TTS‌ 是一款开源的文本转语音（TTS）模型，基于 Llama-3b 架构。它能够生成自然、富有情感且接近人类水平的语音，具备零样本语音克隆能力，无需预训练即可模仿特定语音。Orpheus TTS 的延迟低至约 200 毫秒，适合实时应用。该模型以其接近人类的情感表达、自然流畅的语音效果以及超低延迟的实时输出流特性而闻名。

主要特点和优势 ‌
超低延迟‌：Orpheus TTS的默认延迟约为200毫秒，通过优化输入流与模型的KV缓存，可以将延迟降低至25-50毫秒，完全满足实时对话的需求‌ 。 ‌
情感表达‌：该模型能够生成自然、富有情感的语音，支持丰富的语调变化，能够细腻地捕捉人类的情感，显著提升用户的交互体验‌ 。 ‌
实时输出流‌：支持流式音频生成，确保语音生成与输入信息同步，适用于虚拟助手、客户服务系统等需要即时响应的场景‌ 。 ‌
零样本语音克隆‌：Orpheus TTS基于Llama-3b架构，具备零样本复刻任何人声的能力，无需预训练即可模仿特定语音‌ 。

应用场景   ‌
智能语音助手‌：提供更人性化的交互体验。 ‌
在线教育平台‌：用于有声读物的生成和在线课程的语音指导。 ‌
虚拟主播和游戏角色配音‌：为虚拟人物提供自然流畅的声音。 ‌
实时对话应用‌：如客服系统和直播连麦等场景‌


使用教程：(建议N卡，显存8G起。基于CUDA12.4)
输入需要转换的文本（目前只支持英文），可以插入情感标签，比如 <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn>, <gasp> 或 uhm，以获得更像人类的语音
选择音色，合成。
支持自定义模型训练，可以训练中文模型和指定音色，这个我还在研究，等跑通了再发教程。


下载地址：私信获取