VOICEVOX/voicevox_engine

VOICEVOX 引擎 – 是什么

VOICEVOX 引擎是一个开源的 HTTP 服务器，可将日文文本转换为语音。它是 VOICEVOX 桌面编辑器的后端，基于实际的基于神经网络的 TTS 模型 VOICEVOX Core 构建。该仓库包含服务器代码、Docker 镜像以及在 CPU 或 GPU 上运行引擎的工具。

---

主要功能（如 README 所述）

功能	如何工作 / 可以做什么
文本转语音	向 /audio_query 发送 POST 请求以获取合成查询，然后将该 JSON POST 到 /synthesis（或 /streaming_synthesis）以接收 24 kHz 的 WAV 文件。
流式合成	/streaming_synthesis 以小块形式返回音频，使客户端可以在整个语句完成前就开始播放。
语音风格融合	/synthesis_morphing 可以以可控的融合率混合两个说话人风格（例如，说话人 8 → 说话人 10）。
用户词典	CRUD API（/user_dict, /user_dict_word）允许您添加、编辑、删除自定义词-发音条目，适用于专有名词或领域特定术语。
预设	可编辑 presets.yaml 以在项目间共享说话人/风格设置；API 提供 /presets 和 /audio_query_from_preset。
AquesTalk 风格音素表示	引擎可以返回和接受仅使用片假名的“AquesTalk 风格”发音表示，从而对重音进行细粒度控制。
歌唱合成	特定端点（/sing_frame_audio_query, /frame_synthesis）接受类似 MIDI 的音符数据，以生成歌唱语音输出。
可取消的合成	启用 --enable_cancellable_synthesis 后，中止 HTTP 连接会立即释放计算资源。
Docker 镜像	提供预构建的 voicevox/voicevox_engine:cpu-latest 和 voicevox/voicevox_engine:nvidia-latest 镜像，便于快速部署。
可配置的 CORS 与可变 API 切换	运行时标志（--cors_policy_mode, --disable_mutable_api）允许您限制哪些源可以调用 API 或锁定字典修改端点。
GPU/CPU 选择、线程数、模拟模式	命令行选项（--use_gpu, --cpu_num_threads, --enable_mock）允许您在 GPU 上运行、限制 CPU 线程数或使用模拟引擎进行测试。

---

典型使用流程（快速示例）

# 1. 启动引擎（Docker 示例，CPU）
 docker run --rm -p 127.0.0.1:50021:50021 voicevox/voicevox_engine:cpu-latest

# 2. 获取某段文本的合成查询
 echo -n "こんにちは、音声合成の世界へようこそ" > text.txt
 curl -s -X POST "127.0.0.1:50021/audio_query?speaker=1" \
      --get --data-urlencode text@text.txt > query.json

# 3. 合成音频
 curl -s -H "Content-Type: application/json" -X POST -d @query.json \
      "127.0.0.1:50021/synthesis?speaker=1" > audio.wav

生成的 audio.wav 是一个 24 kHz 的单声道文件。

---

谁可能使用它？

• 开发者：构建日语语音助手、游戏或无障碍工具，需要本地托管 TTS 服务的人。
• 研究人员：实验语音风格融合、自定义发音词典或歌唱合成的人。
• 集成者：希望通过其 HTTP API 或 Docker 容器将 VOICEVOX 嵌入其他应用程序的人。

---

快速入门 / 资源

• 下载 – 最新二进制文件在 发布页面 上。
• API 文档 – 交互式 Swagger UI 在 http://127.0.0.1:50021/docs（或托管文档：https://voicevox.github.io/voicevox_engine/api/）。
• Docker – docker pull voicevox/voicevox_engine:cpu-latest（GPU 版本使用 nvidia-latest）。
• 贡献 – 请参阅 CONTRIBUTING.md 了解构建、测试和 CI 指南；欢迎提交拉取请求。

---

TL;DR

VOICEVOX 引擎是一个自包含的、基于 HTTP 的日语 TTS 服务器，支持常规合成、流式传输、语音融合、自定义词典，甚至歌唱合成。它可在 CPU 或 GPU 上运行，以 Docker 镜像形式分发，专为需要可编程语音合成后端的开发者设计。