Ming-3.0-tts (offline, voice clone, 7 languages)

功能说明

安装之前

Ming-3.0-tts 是一个大模型，连同其音频编解码器约有 15 亿参数。它对电脑的要求很高：

• 磁盘： 约 3.4 GB，其中大部分是 2.99 GB 的模型，在你配音第一句台词时下载。
• 内存： 约 5 GB 可用。内存更少也能运行，但会慢得多。
• 时间： 在 CPU 上，每秒语音大约需要四到五秒生成（Intel Core i7-13700T）。十分钟的视频可能需要大约四十五分钟。

如果想在配置一般的电脑上快速配音，Piper 或 Kokoro 要轻得多。

声音

在 说话人 标签页中，把 Ming-3.0-tts 设为某位说话人的 配音引擎，然后选择一个 音色。开启该说话人的 让配音适配字幕时长，即可把每句台词拉伸或压缩，以适配其字幕。

12 种语音.

克隆的声音

选择 Speaker's own voice 时，Subtitld 会从项目的音频中为该说话人剪出一段样本：取自其一条 3 到 12 秒的字幕，或把几条短字幕拼接起来。如果你已为本视频分离出了音乐和人声，样本只取自人声。插件设置中的 Fallback reference clip 仅在无法剪出样本时使用。

Subtitld 会把字幕文字连同样本一起发送，Ming-3.0-tts 接着样本往下说，这样最接近说话人，连说话方式也一样。如果配成另一种语言后仍带有说话人的口音，请开启 Clone the timbre only。

内置声音

Emma（美式）、George 和 Charlotte（英式）、Ling Xiaorou（灵小柔）和 Ling Kai（灵楷）（中文）是模型学过的说话人。每个声音在每句台词中听起来都一样，并且都能说全部七种语言。

描述的声音

Ming-3.0-tts 每次读到描述时都会生成一个新的声音。因此插件只为每位说话人生成一次声音，该说话人的每句台词都复用它：声音在整个视频中保持一致，而两位使用相同描述的说话人听起来仍是两个人。

情绪、语速、音高和音量

这些是插件的设置，因此适用于所有用克隆声音或描述的声音配音的说话人。它们是模型自带的控制项，会采用说话人声音的音色，但不采用其说话方式，而且一次只能用一项：设置了情绪时，它会覆盖语速、音高和音量。内置声音会忽略这些设置。

在中文或英语台词中，模型还会发出写在文本里的声音：[Laughter]、[Sigh]、[Breathing]、[Cough]、[Uhm] 等。

模型

只有一个模型 Ming-3.0-tts-0.5B。它不在插件里：第一次配音时，会从 Hugging Face 按固定版本下载到 Subtitld 的共享模型缓存中，并校验每个文件。下载中断后会从中断处继续。更新或移除插件时模型会保留。

第一句台词还要加载模型，所以比之后的台词更慢。取消会在两个步骤之间停止当前台词，或停止下载。

选项

在 设置 › 插件 › Ming-3.0-tts (offline, voice clone, 7 languages) › 配置 中。

语言

中文、英语、日语、韩语、德语、法语和西班牙语。每个声音都能说其中每种语言。

• zh
• en
• ja
• ko
• de
• fr
• es

平台

Linux x86-64、Apple Silicon 上的 macOS 和 Windows x86-64。每个版本都在这三个平台上构建，CI 会检查说话所需的一切都已包含在构建中。CI 不运行模型本身。

故障排除

• network_unavailable无法下载模型。请检查网络连接后重试：下载会继续。
• disk_full磁盘空间不足，无法存放模型。需要约 3.4 GB 可用空间。
• oom内存不足。请关闭其他程序；Ming-3.0-tts 需要约 5 GB 可用内存。
• bad_params台词没有文字，或者克隆的声音没有获得样本，或者 Voice you describe 没有描述。错误信息会说明是哪一种：请打开视频，设置 Fallback reference clip，或填写 Voice description。
• unsupported_voice项目指定了此版本没有的声音。请在 说话人 标签页中重新选择声音。
• internal插件内部出错；错误信息中有详细说明。如果你更改过 Inference device，请把它改回“自动”。

许可

可用于商业工作：插件为 Apache-2.0，Ming-3.0-tts 的代码和 Ming-3.0-tts-0.5B 权重为 MIT。你制作的配音归你所有。克隆的声音听起来像真实的人：只克隆你有权使用的声音，并在必要时说明配音是合成的。