语音克隆 TTS 方案指南¶

目标：找一个可以免费克隆我自己的声音的方案，再准备一个使用 MiniMax Token Plan 付费生成语音的方案。
更新日期：2026-07-27

1. 核心结论¶

先说清楚一个重要事实：

MiniMax 官方 /v1/voice_clone 接口目前只对企业认证账号开放，个人开发者即便注册了账号、拿到了 API Key，也调不动这个接口。/v1/t2a_pro（不克隆、用预设音色）则个人账号直接可用。个人想用 MiniMax 通道做声音克隆，目前最现实的路径是走「MiniMax Audio 网页版」或「MiniMax-MCP」。

2. 免费方案：先跑起来再说¶

2.1 🥇 GPT-SoVITS（首选：本地一键启动）¶

• 仓库：https://github.com/RVC-Boss/GPT-SoVITS（35K+ ⭐）
• 能干啥：
• 5 秒样本 零样本克隆（即开即用，零训练）
• 1 分钟样本 少样本微调（效果更好，要训几十分钟）
• 跨语言：中文 / 英文 / 日文 / 韩文 / 粤语
• 输出 WebUI + API（http://localhost:9880）
• 硬件门槛：
• 推理：6GB 显存起步（RTX 3060 流畅）
• 训练：建议 12GB+（RTX 3080/4070 及以上）
• 纯 CPU 能跑，但慢
• 零基础起步（Windows）：
• 下载整合包（百度网盘 / GitHub Release 都行，搜「GPT-SoVITS 整合包」）
• 解压后双击 go-webui.bat
• 浏览器打开 WebUI，默认进入「1A-模型推理」页
• 上传 5~10 秒干净人声 → 填参考文本 → 写要合成的文本 → 点合成
• 不满意就用「1B-训练」页微调（需要 1~5 分钟更长的干净录音 + 自动 ASR 标注）
• 录音小贴士（决定效果 80%）：
• 安静房间 + 耳机麦克风或桌面麦，别用手机外放录
• 一次录 30~60 秒，语速正常、情绪稳定
• 不要有背景音乐、回声、其他人说话
• 转成 16kHz 单声道 WAV 最稳

2.2 🥈 CosyVoice 2.0（中文更地道，Apache-2.0）¶

• 仓库：https://github.com/FunAudioLLM/CosyVoice
• 能干啥：
• 3 秒样本零样本克隆
• 支持情感指令（"用四川话读" "用哭腔读"）
• 跨语言 + 多方言（四川话、上海话、粤语等）
• 流式输出，延迟低至 150ms
• Apache-2.0 协议，商用友好
• 硬件门槛：
• 推理：6~8GB 显存
• 训练：12GB+
• 什么时候选它：
• 中文播报、有声书要做方言/情感控制
• 你需要商用闭源（GPT-SoVITS 是 MIT 也行，但 CosyVoice 协议更宽松）
• 你的显卡偏弱（CosyVoice 体积更小、速度更快）

2.3 🥉 F5-TTS（速度最快，MIT）¶

• 仓库：https://github.com/SWivid/F5-TTS
• 能干啥：
• 10~30 秒克隆
• 实时因子（RTF）0.15，比 CosyVoice 更快
• 多语言代码切换（一句中文里夹英文）
• MIT 协议
• 什么时候选它：
• 实时性要求高（直播配音、实时对话）
• 多语言混排文案

2.4 对比表¶

2.5 不想装任何东西？在线试一把¶

• MiniMax Audio 海外版 https://www.minimax.io/audio
• 注册后每日送 4000 积分（≈5 分钟音频）
• 支持 10 秒克隆、30+ 语种、情感控制
• 国内访问需要网络工具
• MiniMax Audio 国内版 https://hailuoai.com/audio
• 无需网络工具
• 但目前不支持 Speech-02 模型，也不支持声音克隆
• AltVoice https://www.altvoice.io/
• 浏览器内直接传音频 + 输入文本 → 生成
• 不用注册也能免费试几次（每天有免费额度）
• 20 种语言，缺点：单次长度短、商用授权看条款
• 剪映（桌面版/手机版）
• 「朗读」→「克隆音色」功能，念 10 秒就能用
• 需要会员（基础会员 199 元/年），但能商用
• EasyVoice（Docker 自托管）
• https://hub.docker.com/r/cosincox/easyvoice
• 完全免费、无时长字数限制、需要一台小服务器

3. 付费方案：用 MiniMax Token Plan 跑 TTS¶

"MiniMax Token Plan" 在这里指：你的 MiniMax 开放平台账户余额（人民币充值 / 赠送积分），用 MiniMax 官方 API 时直接从账户扣。
注册地址：https://platform.minimaxi.com/（国内） 或 https://www.minimax.io/（海外）

3.1 路径 A：纯 TTS（不克隆，用 300+ 预设音色）✅ 个人可用¶

这是最干净的「用 MiniMax Token Plan 付费」路径。

模型：

API 端点：

• 国内：https://api.minimax.chat/v1/t2a_pro?GroupId=<你的GroupId>
• 海外：https://api.minimaxi.chat/v1/t2a_pro?GroupId=<你的GroupId>

最小调用示例（Python）：

import requests

api_key = "你的_API_KEY"
group_id = "你的_GROUP_ID"

resp = requests.post(
    f"https://api.minimaxi.chat/v1/t2a_pro?GroupId={group_id}",
    headers={
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json",
    },
    json={
        "model": "speech-02-turbo",
        "text": "你好，这是用 MiniMax 生成的语音。",
        "stream": False,
        "voice_setting": {
            "voice_id": "male-qn-qingse",  # 预设音色，列表见文档
            "speed": 1.0,
            "vol": 1.0,
            "pitch": 0,
        },
        "audio_setting": {
            "sample_rate": 32000,
            "bitrate": 128000,
            "format": "mp3",
        },
    },
)
print(resp.json())
# 返回里有 audio_file（音频 URL）或 audio_content（六进制）

获取 API Key：

1. 登录 https://platform.minimaxi.com/
2. 「账户管理」→「接口密钥」→ 创建
3. 「账户管理」→「基本信息」→ 复制 GroupId
4. 充值（最低 10 元就能解锁更高 TPM 限速）

预设音色列表（部分常用）：

完整列表调用 GET /v1/voice/list 或查 官方文档。

3.2 路径 B：声音克隆 API ⚠️ 仅企业认证¶

• 端点：POST /v1/files/upload（上传音频）→ POST /v1/voice_clone（创建 voice_id）→ T2A 时把 voice_id 传进去
• 官方说明：「目前 Minimax 语音复刻只支持企业认证才可以开通，因此需要联系相关工作人员对接权限」
• 官网申请：https://www.minimaxi.com/document/guides/T2A-model/replica
• 个人开发者怎么办？ 看下面 3.3 / 3.4

3.3 路径 C：用 MiniMax Audio 网页 + 你的 Token 余额（个人推荐 ⭐）¶

• 入口：https://www.minimax.io/audio（海外版，支持克隆 + Speech-02）
• 流程：
• 注册 / 登录 MiniMax 账号
• 进「Voices」→「Create your Voice Clone」上传 10~300 秒音频
• 10 秒左右克隆完成
• 回「Text to Speech」选自己克隆的 voice，输入文本 → Generate
• 扣费方式：先用每日 4000 免费积分（≈5 分钟音频/天），用完按字符数从账户余额扣
• 优点：完全个人可用、零代码、支持 30+ 语种
• 缺点：海外版访问可能需要网络工具、不能嵌进自己的 App

3.4 路径 D：MiniMax-MCP（开发者方案 ⭐⭐）¶

MiniMax 官方开源的 MCP server，把 TTS/克隆/生图/生视频能力以 MCP tool 形式暴露出来。

• 仓库：https://github.com/MiniMax-AI/MiniMax-MCP（27.4K+ ⭐，MIT）
• 暴露的 tool：
• text_to_audio（TTS）
• list_voices（查音色）
• voice_clone（克隆）✅ 支持个人账号
• generate_video
• text_to_image
• 接入 Claude Desktop（claude_desktop_config.json）：

{
  "mcpServers": {
    "MiniMax-mcp": {
      "command": "uvx",
      "args": ["MiniMax-mcp"],
      "env": {
        "MiniMax_API_KEY": "你的_API_KEY",
        "MiniMax_MCP_BASE_PATH": "/Users/yuumix/MiniMax-output"
      }
    }
  }
}

• 接入 Cursor / Windsurf：同理，在 MCP 设置里加上面这段
• 优势：在 Claude 里直接对话就生成语音，克隆你自己的声音后，让 Claude 用你的声音"念"出回复
• 价格：从你的 MiniMax 账户余额扣

3.5 替代：统一 TTS 网关（如果以后想接多家）¶

• UnifiedTTS https://unifiedtts.com：用同一套接口在 MiniMax / CosyVoice / ElevenLabs / Edge / Azure 之间切换
• OneAPI https://github.com/songquanpeng/one-api：自托管，OpenAI 协议兼容，可把 MiniMax 当一个 channel 接进去
• 适合：以后想换供应商时不用重写代码

4. 完整推荐路径¶

按"想花多少时间 / 钱"分三档：

🟢 5 分钟上手，零成本¶

1. 打开 https://www.minimax.io/audio（海外版）
2. 注册 → 上传 10 秒你说话的录音（手机录就够）
3. 输入一段文字 → 听效果
4. 满意就每天用 4000 免费积分跑 5 分钟音频

🟡 半天折腾，长期免费¶

1. 装 GPT-SoVITS 整合包（Windows 友好）
2. 准备 1~5 分钟干净录音 → 跑一遍训练
3. 用训练好的模型 + WebUI 批量生成
4. 之后想用 MiniMax 通道的 300+ 音色再装 MiniMax-MCP

🔴 一天搞定，可商用¶

1. 在 https://platform.minimaxi.com/ 注册 + 充值 10 元
2. 装 MiniMax-MCP，接到 Claude Desktop / Cursor
3. 用 voice_clone tool 克隆自己的声音（无需企业认证，MCP 通道走的是网页那套权限）
4. 日常在 Claude 里说"用我的声音念一下这段"，Token 余额直接扣

5. 录音与克隆效果 Checklist¶

不管用哪套方案，录音质量决定 80% 效果。

• 环境：关窗关空调的安静房间，软装（床、沙发）能吸回声
• 设备：耳机麦克风 > 桌面麦 > 手机贴近嘴巴
• 内容：读一段你没读过的文字，语速正常、有停顿
• 时长：
• 零样本克隆：10~30 秒
• 少样本微调：1~5 分钟
• 不要超过 10 分钟，超过反而过拟合
• 格式：保存为 16kHz/44.1kHz 单声道 WAV（不行就用 Audacity 转一下）
• 禁忌：
• ❌ 背景音乐 / BGM
• ❌ 回声 / 远场录音
• ❌ 多人说话
• ❌ 切掉头尾的爆破音（留 0.5 秒空白）

6. 法律 & 伦理¶

• 只克隆自己的声音或拿到明确书面授权的声音
• 中国《民法典》第 1019 / 1024 条：声音权益受肖像权同等保护
• 生成内容发布时要按所用模型协议署名（GPT-SoVITS / CosyVoice / MiniMax 都要求）
• 不要用于：诈骗、伪造他人言论、绕过语音验证

7. 参考链接¶

• MiniMax 开放平台（国内）：https://platform.minimaxi.com/
• MiniMax 开放平台（海外）：https://www.minimax.io/
• MiniMax Audio 网页：https://www.minimax.io/audio
• MiniMax-MCP：https://github.com/MiniMax-AI/MiniMax-MCP
• GPT-SoVITS：https://github.com/RVC-Boss/GPT-SoVITS
• CosyVoice：https://github.com/FunAudioLLM/CosyVoice
• F5-TTS：https://github.com/SWivid/F5-TTS
• OpenVoice：https://github.com/myshell-ai/OpenVoice
• UnifiedTTS：https://unifiedtts.com
• OneAPI：https://github.com/songquanpeng/one-api
• MiniMax Speech-02 技术报告：https://arxiv.org/pdf/2505.07916