VibeVoice 实时语音合成中文演示

可本地运行的 VibeVoice 实时语音合成中文界面与演示项目。

这是一个基于 FastAPI、WebSocket 和 VibeVoice Realtime 模型的本地语音合成演示。界面已完成中文化，保留说话人、CFG、推理步数、流式输入和音频保存等真实交互；模型从 Hugging Face 下载，适合研究、学习与内部原型验证。

真实界面

项目截图

共 6 张

Capabilities

核心功能

✓中文化实时语音合成网页界面

✓25 个预置说话人可选

✓支持流式文本输入与 WebSocket 输出

✓CFG Scale 与推理步数控件

✓运行指标、日志和状态反馈

✓生成音频保存入口

适用场景

本地研究开源实时 TTS 模型

验证中文语音交互产品原型

学习 FastAPI、WebSocket 与模型服务集成

适合谁

需要自托管语音合成演示、研究开源 TTS 模型或进行语音产品原型验证的开发者与团队。

商业化思路

研究与二次开发交付；使用者自行准备模型、算力和部署环境，并依据上游许可证承担使用责任。

你会拿到什么

✓固定提交版本完整源码包
✓中文化真实运行界面截图、许可证和部署说明

部署流程

1创建 Python 3.12 虚拟环境并执行 pip install -e ".[tts]"。
2首次启动时下载 VibeVoice Realtime 模型及语音预设。
3执行 PYTHONPATH=demo python demo/vibevoice_realtime_demo.py --port 3000 --device cpu。
4浏览器打开本机端口，填写文本、选择说话人并点击开始。

真实验证结果

已通过 6 个真实运行中文界面、HTTP、可见正文、控制台、坏图和横向溢出质量门。

部署前须知

首次启动需要下载约 2 GB 模型；CPU 推理可能较慢。上游仓库的研究用途提示、模型权重和语音预设权利边界需要使用者自行核验。

部署难度

中等

最低配置

Python 3.12、约 2 GB 模型下载空间、建议 8 GB 内存；CPU 可运行但推理速度取决于机器性能，GPU 或 Apple Silicon 可进一步改善体验。

开源许可证

MIT License

最后验证

2026-09-03

技术栈

PythonFastAPIUvicornPyTorchTransformersWebSocket

授权说明

Release notes

版本记录

1 个已发布版本

vcn-ef4b3edf069d 当前推荐

2026-09-03

恢复候选 718 的固定源码并完成中文实时语音合成界面、真实启动和 6 个状态截图验收。

部署要求：Python 3.12、可写模型缓存目录和建议 8 GB 内存；首次运行需要可访问 Hugging Face，CPU 或 GPU 由启动参数选择。

已知问题：模型下载、CPU 推理时延和上游研究用途限制不在源码包内解决；音频生成性能需由部署环境实测。

登录后领取