samuel-vitorino/sopro

解决的问题

Sopro 是一个轻量级、高性能的文本转语音（TTS）系统，旨在无需大量计算资源即可提供高质量的语音克隆和语音合成。它解决了对高效、本地化合成的需求，可在笔记本电脑 CPU 或直接在网页浏览器中运行。

工作原理

Sopro 使用一个 120M 参数的模型家族（特别是 sopro-v2-turbo），支持从一段短参考音频（5-20 秒）中实现零样本语音克隆。它可以在两种模式下运行：一种是用于最高音质的离线路径，另一种是用于低延迟音频输出的流式路径。该系统支持英语、欧洲葡萄牙语、法语和德语，并可通过 Python、CLI 或 ONNX 运行时部署，实现在浏览器中的执行。

适用人群

需要在消费级硬件上本地运行或在浏览器中运行的快速、轻量级 TTS 引擎的开发者和创作者，以及希望仅用少量音频样本克隆语音而无需依赖云 API 的用户。

主要亮点

• 超轻量级：仅 120M 参数，可在笔记本电脑 CPU 和浏览器中运行。
• 零样本克隆：仅需 5-20 秒的参考音频即可克隆语音。
• 低延迟：在笔记本电脑 CPU 上流式传输时，首次音频输出时间（time-to-first-audio）约为 300ms。
• 多语言支持：支持英语、欧洲葡萄牙语、法语和德语。
• 浏览器就绪：通过 ONNX 运行时提供完全功能的浏览器演示。