# ViiTorVoice – 云上曲率推出的 AI 语音合成模型

- Link: https://paooo.com/aigc-news/24062/
- Published: 2026-07-07T13:43:24+08:00
- Author: 站外新闻

## ViiTorVoice是什么

ViiTorVoice 是云上曲率推出的全球首个支持局部编辑的[ AI 语音合成](https://ai-bot.cn/ai-text-to-speech-tools/)
模型，登顶 Seed-TTS 权威评测榜首。它采用 NAR 非自回归架构，实现”像改 Word 一样修
语音”——可定向替换音频中的某个词或片段，其余音色、节奏、情感完全保持不变。支持无文本
跨语种克隆、情绪精准控制及 60ms 超低延迟推理，1B 参数模型已开源。

阅读目录

 * [ViiTorVoice是什么](https://paooo.com/aigc-news/24062/#viitorvoice%e6%98%af%e4%bb%80%e4%b9%88)
 * [ViiTorVoice的主要功能](https://paooo.com/aigc-news/24062/#viitorvoice%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [如何使用ViiTorVoice](https://paooo.com/aigc-news/24062/#%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8viitorvoice)
 * [ViiTorVoice的核心优势](https://paooo.com/aigc-news/24062/#viitorvoice%e7%9a%84%e6%a0%b8%e5%bf%83%e4%bc%98%e5%8a%bf)
 * [ViiTorVoice的项目地址](https://paooo.com/aigc-news/24062/#viitorvoice%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [ViiTorVoice的同类竞品对比](https://paooo.com/aigc-news/24062/#viitorvoice%e7%9a%84%e5%90%8c%e7%b1%bb%e7%ab%9e%e5%93%81%e5%af%b9%e6%af%94)
 * [ViiTorVoice的应用场景](https://paooo.com/aigc-news/24062/#viitorvoice%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![ViiTorVoice](https://paooo.com/wp-content/uploads/2026/07/ViiTorVoice-website-
1.avif)

## ViiTorVoice的主要功能

 * **片段级局部编辑**：可指定替换音频中的某个词或片段，其余部分完全保持不变。
 * **语音克隆**：支持无参考文本（Zero-Shot）跨语种克隆，仅需上传纯音频即可提取音色。
 * **情绪与副语言控制**：通过插入特殊 Token 实现词级精准控制，引入 CFG 技术强化情绪
   表达。
 * **低延迟推理**：端到端首帧生成时间低于 60ms，支持首块推理。
 * **多语种支持**：中、英、日、韩等多语种内容生成。

![挖挖GitHub](https://paooo.com/wp-content/uploads/2026/07/wawagithub-14.avif)

微信关注回复“**开源**”，加入**AI开源项目交流群**

## 如何使用ViiTorVoice

 * **访问 Demo 页面**：打开 Hugging Face 在线体验地址（https://huggingface.co/spaces/
   ZzWater/ViiTorVoice）。
 * **选择功能模式**：在界面顶部切换「Voice Edit」（局部编辑）或「Voice Clone」（
   语音克隆）标签。
 * **上传源音频**：将需要编辑或克隆的原始音频文件拖入左侧「Source Audio」上传区域。
 * **输入文本指令**：在编辑框中填写原始转录文本与修改后的目标文本，系统将自动定位
   差异片段。
 * **插入情绪标签**：如需控制情感，在文本中插入特殊 Token（如 `<laugh>`、`<sigh>`）
   标记副语言信息。
 * **调整生成参数**：设置推理步数（4 步或 8 步）等配置，点击生成按钮等待模型处理。
 * **预览与下载**：在右侧「Edited Audio」区域播放效果，确认无误后下载保存到本地。

## ViiTorVoice的核心优势

 * **评测成绩全球第一**：Seed-TTS 英文词错率 1.32、中文词错率 0.99，SIM-o 与 UTMOS
   均领先。
 * **独创局部编辑能力**：行业唯一支持片段级定向编辑，解决传统 TTS 改词需整段重录
   的痛点。
 * **无文本依赖克隆**：无需准确转录文本即可实现跨语种音色迁移，适配小语种场景。
 * **极速推理**：首帧延迟 60ms 以内，远优于行业 150-200ms 水平。

## ViiTorVoice的项目地址

 * **GitHub仓库**：https://github.com/viitor-ai/viitor-voice-nar
 * **HuggingFace模型库**：https://huggingface.co/ZzWater/ViiTorVoice-NAR

## ViiTorVoice的同类竞品对比

  |  对比维度 |  ViiTorVoice |  [Qwen3-TTS](https://ai-bot.cn/qwen3-tts/) |  
   |  **研发方** |  云上曲率 |  阿里巴巴通义实验室 |  
 |  **核心架构** |  **NAR 非自回归**（完形填空式） |  **AR 自回归**（逐帧链式生成） |  
 |  **局部编辑** |  ✅ **支持片段级定向修改**，改词不改全段 |  ❌ **不支持**，修改一词需整段重生成 |  
 |  **Seed-TTS 英文 WER** |  **1.32**（更低=更准） |  1.54 |  
 |  **Seed-TTS 中文 WER** |  **0.99**（行业首个<1.0） |  1.15 |  
 |  **首帧延迟** |  **<60ms** |  ~150-200ms |  
 |  **无文本克隆** |  ✅ 仅需纯音频即可跨语种克隆 |  ❌ 需提供音频+准确转录文本 |  
 |  **情绪控制** |  词级 Token 精准控制（笑声/叹气等） |  基础自然语言描述控制 |

## ViiTorVoice的应用场景

 * **影视后期制作**：对白调整无需召集演员重进录音棚，导演可在非线性时间线上实时替换
   台词，音色与呼吸节奏无缝保持一致。
 * **有声书与播客**：录制中出现口误或专有名词错误时，只需定向修改一两秒音频，无需
   重录整章，后期修音时间从数天压缩至几十分钟。
 * **短剧出海本地化**：无需重新召集配音演员，直接在原始录音上替换特定用词，即可产
   出多语言版本，每版听感都像原生表演。
 * **广告营销**：文案临时调整产品名称或 Slogan 时，直接局部替换音频片段，保持原有
   品牌音色与情绪感染力。
 * **游戏配音**：跨语种角色语音快速克隆，仅需上传角色原声音频即可生成中、英、日、
   韩等多语种配音。