企业官网建设流程全解析

VoiceStudio Voice Gallery 架构解析：基于 instruct 词汇表生成数百个设计声音原型

【免费下载链接】VoiceStudioVoiceStudio is the open-source, fully-local ElevenLabs alternative — voice cloning, voice design, video dubbing, dictation, transcription & audiobook creation in 646 languages.项目地址: https://gitcode.com/GitHub_Trending/om/VoiceStudio

导读

Voice Gallery 是 VoiceStudio 内置的"设计声音原型（designed voice archetype）"库：不克隆任何真实人物，完全由 VoiceStudio 自身的语音设计引擎（voice-design engine）按instruct指令词汇表组合出数百个可直接使用的声音，并以 ElevenLabs 式的"精选卡片 + 多维筛选"方式浏览，同时提供一个中立的 URL/文件导入器让用户带入自己的源音频。本文以 docs/superpowers/specs/2026-05-31-voice-gallery-design.md 设计文档为主线，结合 backend/core/archetypes.py、backend/api/routers/archetypes.py、frontend/src/api/archetypes.ts 等仓库源码，完整还原该功能的设计决策、组合规模计算、后端引擎与 API、前端数据层与 UI、预览缓存体系、契约测试以及分阶段实施路径。读完你将掌握：instruct词汇表为何是"唯一合法调色板"、数百个声音如何由组合生成且保证可合成、预览如何做到"预渲染 + 按需渲染 + 磁盘缓存"三级兜底，以及"Use voice"如何把一个原型物化成可在配音/生成/克隆中复用的 voice profile。

1. 目标与核心定位

Voice Gallery 要交付的是一个可浏览的设计声音库：数百个开箱即用的声音，全部由 VoiceStudio 自己的语音设计引擎生成，组织方式借鉴 ElevenLabs——顶部是精选卡片，其余通过 facet 筛选器探索。同时提供一个中立的 URL/文件导入器（复用既有 yt-dlp 与AudioTrimmer流程）让用户带入自己的源音频。

设计文档开篇即明确了一个红线（decision record）：项目不收录任何名人 / 具名真人目录。每个原型的"气质（vibe）"只来自指令 token 组合 + 示例脚本 + 策展命名，绝不来自克隆某个可辨识的个人。这条红线背后的推理链条是：

• 用户粘贴 URL 的导入器是中立基础设施（类似 yt-dlp/ffmpeg）——用户自备来源、自担许可责任；
• 但项目自己发布一份"具名真人目录"（名人 / 政客 / 迪士尼 / 漫威）是一种编辑行为，会让项目从中立工具变成"教唆 / 帮助侵权"（MGM v. Grokster 一系判例），把维护者置于形象权（right-of-publicity）、ELVIS-Act、NO-FAKES 等法律风险之下，也是当前 AI 语音诈骗浪潮的主要载体。

因此最终方案是：保留中立导入器，砍掉策展式名人分类法，以合成原型为主打。

2. 引擎约束：instruct 词汇表是唯一的"声音调色板"

Voice Gallery 全部工作的地基是omnivoice/utils/voice_design.py中定义的完整且经过验证的 instruct 词汇表。model.generate(instruct=...)会调用_resolve_instruct，任何词汇表之外的 token 都会触发ValueError——这正是 issue #89 的崩溃模式（一个 personality 携带了散文而非合法 token，直接让合成崩溃）。因此原型引擎生成的一切instruct字符串必须"保证能通过验证器"。

完整的表达调色板如下（与文档表格一致，可在 omnivoice/utils/voice_design.py 的_INSTRUCT_CATEGORIES中核对）：

两个关键事实：

1. 没有情感 / 描述性风格轴——不存在 ElevenLabsdescriptive式的 "calm"、"raspy"、"warm"。因此无法 1:1 移植 ElevenLabs 的声音。设计上只借用其结构（用例分类 + facet 筛选）和人口学维度（age/gender/accent 可直接映射），不借用其风格词汇。
2. 口音（EN-only）与方言（ZH-only）互斥——一条 instruct 里永远不同时出现二者。这也被 backend/tests/test_archetypes.py 以测试契约强制锁定。

2.1 规模如何达到"数百"

合法英文空间 ≈ 性别(2) × 年龄(5) × 音高(5) × 口音(11 含 neutral) ≈550，再被whisper修饰符约翻倍。剪掉不合理的组合后得到约 300～500 个英文原型；中文方言空间（性别 × 年龄 × 音高 × 12 方言）再追加数百个。这就在不引入情感维度的前提下，用人口学 / 嗓音多样性达到了 ElevenLabs 量级的广度。

实现层面，backend/core/archetypes.py 的generate_archetypes()正是按此组合逻辑执行：

• 英文：gender × age × pitch × {neutral + 10 口音}，对满足_whisper_ok的（age ∈ {young adult, middle-aged, elderly} 且 pitch ∈ {low, moderate}）再追加 whisper 变体；
• 中文：gender × age × pitch × 12 方言；
• 过程中以_pruned(age, pitch)跳过不合理组合（见下），并以_FEATURED_KEYS去重避免与精选集重复。

3. 分类法：七类用例 + 六维筛选（取代名人分类）

设计文档规定用七类**用例（use-case）**分类（对标 ElevenLabs 结构、与真人无关），实现于 backend/core/archetypes.py 的USE_CASES：

narration Narration & Story · 叙事与故事 conversational Conversational · 对话 characters Characters & Animation · 角色与动画 social Social Media · 社交媒体 entertainment Entertainment & TV · 娱乐与电视 advertisement Advertisement · 广告 informative Informative & Educational · 信息与教育

每个用例带 lucide-react 图标组件名（BookOpen、MessagesSquare、Drama、Smartphone、Tv、Megaphone、GraduationCap），前端映射为 SVG 图标；刻意不用 emoji（跨 OS 渲染不一致）。

Facet 筛选器：Gender · Age · Pitch · Accent · Whisper · Language（EN / ZH）。

一个值得注意的细节是use_case 的两级来源：

• 精选原型（Featured）携带人工策展的use_case；
• 浏览全部（Browse all）的原型没有人工标注，而是由 backend/core/archetypes.py 的_use_case()启发式推导（文档中明确标注为近似值）：whisper → narration；child/teenager → characters；very high pitch → characters；低沉中年/老年 → narration；高音青年 → social；无口音中年中音 → informative；青年 → conversational；老年 → entertainment；中年 → advertisement；兜底 conversational。

这样即使全量集合没有人工标注，按用例过滤依然全库可用。

4. 架构设计

4.1 信息架构：两个区域 + 顶部切换

Gallery 标签页有两个区域（顶层切换）：

• Archetypes（原型）
  • Featured（精选）——约 24 个策展原型、预渲染预览 WAV、按用例分组（实现中实际扩充为 24 个英文 + 27 个多语言 = 51 个，见 4.4）；
  • Browse all（浏览全部）——生成的数百个集合；可 facet 过滤；预览按需渲染 + 缓存。
• My Imports（我的导入）——中立的 URL/文件导入器（复用既有 yt-dlp +AudioTrimmer流程），无策展分类。

前端实现于 frontend/src/pages/VoiceGallery.jsx，由galleryZone状态驱动；实际 UI 还扩展了第三个community区域（社区市场），但核心的"原型 + 我的导入"二元结构不变。

4.2 原型数据模型：值对象，不是数据库行

每个原型是一个值对象（value object），不落数据库。完整结构（文档 4.2 与 backend/core/archetypes.py_build()返回值一致）：

{ "id": str, # 稳定：short hash of (instruct + language)，如 "a_" + sha256[:10] "name": str, # "British · Middle-aged · Low — Narrator"（自动生成）或策展命名 "icon": str, # lucide-react 图标组件名 "use_case": str, # 七类用例之一 "instruct": str, # 逗号连接的合法 token——保证通过验证器 "attrs": {Gender, Age, Pitch, Style, EnglishAccent, ChineseDialect}, # 驱动设计滑杆 "facets": {gender, age, pitch, accent, whisper, lang}, # 驱动筛选器 "sample_script": str, # 示例脚本（中文方言原型用 _ZH_SAMPLE，多语言原型用本地化脚本） "preview_url": str | None, # 精选集设置（预渲染）；None => 按需渲染 "is_featured": bool, "language": "English" | "Chinese" | "Spanish" | ..., }

ID 的稳定性是硬性契约：id = "a_" + sha256(f"{instruct}|{language}")[:10]（精选集用feat_XX_<slug>/ml_<lang>_<role>前缀）。测试 backend/tests/test_archetypes.py 明确断言两次调用generate_archetypes()产生完全相同的 ID 序列。

4.3 后端：archetypes 引擎（core.archetypes）

backend/core/archetypes.py 是全新模块，对外暴露：

• USE_CASES/categories()—— 七个用例；
• generate_archetypes()—— 遍历验证器自身的集合、按规则表剪枝不合理组合、自动命名、启发式分配用例、构建保证合法的 instruct 字符串；确定性顺序 + 稳定 ID；
• list_archetypes(filters)/get_archetype(id)/count()。

三个实现层面的关键设计：

1. 单一事实来源（single source of truth）：模块按文件路径加载omnivoice/utils/voice_design.py（importlib.util.spec_from_file_location），而不是import omnivoice...。原因是omnivoice包__init__会拉起 torch/torchaudio 等重型模型依赖，在测试/CI 环境不可用；而voice_design.py本身只依赖标准库。这样"从词汇表本身构建 instruct"从机制上杜绝了_resolve_instruct拒绝 token 的 issue-#89 崩溃。
2. 位置守卫断言：加载后立即断言六个类别的位置与内容（assert "male" in _CAT[0] ...），上游词汇表一旦重排会在此处大声失败，而不是静默产出垃圾 instruct。
3. 合理性剪枝规则表（_PRUNE）：
   • child不可配very low pitch/low pitch；
   • teenager不可配very low pitch；
   • elderly不可配very high pitch；
   • whisper 变体仅允许young adult / middle-aged / elderly×low / moderate pitch。

4.4 精选集：从 24 到 51 的实现演进

设计文档的精选集是"~24 个"，实现中扩展为两层：

• 24 个英文精选（_FEATURED_SPEC，覆盖七个用例）：如叙事类的 "The Librarian"（female · middle-aged · low pitch · british accent）、"The Storyteller"、"The Calm Guide"（whisper）；角色类的 "Captain Crusty"、"The Pixie"、"The Ogre"；社交类的 "The Hype Host"；广告类的 "The Luxe"、"The Upbeat" 等——全部是虚构角色命名，无真实人物；
• 27 个多语言精选（_ML_SAMPLES×_ML_ROLES）：在 Spanish、French、German、Italian、Portuguese、Russian、Hindi、Japanese、Korean 九种语言中各提供 Narrator / Explainer / Companion 三个"中性音色角色"。

多语言精选的关键设计：设计声音的"说话语言"由预览文本决定，而不是由 instruct 决定——音色轴（gender/age/pitch）是语言无关的，同一条中性 instruct 可在 VoiceStudio 支持的任意语言下通过model.generate(text=…, language=…, instruct=…)渲染。因此这些原型不携带任何口音/方言 token（"spanish accent" 在词汇表里根本不存在，写了就会触发 issue-#89 崩溃），只用通用音色轴。每个language标签必须与 frontend/src/languages.json 中的条目逐字匹配，因为该字符串会无归一化地直接流入model.generate(language=…)（"Arabic" 因不在该列表中而被有意排除）。

4.5 后端：archetypes API

backend/api/routers/archetypes.py 定义路由并在 backend/main.py 注册。纯读端点不触碰模型——所有重型依赖（TTS 模型、torch）都被延迟到渲染函数内部导入，保证模块在无权重环境下可干净导入。

筛选参数细节（与 backend/core/archetypes.py 的list_archetypes()对应）：q是对 name/instruct 的大小写不敏感子串匹配（可以输入 "british"、"librarian"、"whisper" 直接搜索整个数百声音库，弥补 facet 枚举无法按名字精确检索的缺口）；whisper/featured为布尔三态；offset/limit支持分页。

4.6 前端：数据层与状态

数据层遵循既有 react-query 模式：

• frontend/src/api/archetypes.ts ——listArchetypeCategories()、listArchetypes(filters)、archetypePreviewUrl(id, local)（预览音频 URL，供<audio>使用）、useArchetypeAsProfile(id, name?)（POST /archetypes/{id}/use）；
• frontend/src/api/hooks.ts ——useArchetypeCategories()与useArchetypes(filters, enabled)。目录规模大且静态，staleTime: 5 * 60_000强力缓存；分页时用keepPreviousData保留上一页；enabled参数让共享消费者（如 VoiceSelector 下拉）在真正打开前不发起请求——配音演员列表可以挂载多个选择器而互不打扰网络。

状态层 frontend/src/store/gallerySlice.ts（zustand slice，注册于 frontend/src/store/index.ts）持有：galleryZone（当前区域）、archetypeFilters（七项筛选状态）、favoriteArchetypeIds（收藏 ID 数组）、galleryViewMode（grid/list）。由于原型不是数据库行，收藏与筛选天然是客户端状态；收藏 + 视图模式被持久化（partialize），会话偏好的区域/筛选也持久化以便画廊重开时恢复原位。

4.7 前端：卡片动作

原型卡片（frontend/src/components/gallery/ArchetypeCard.jsx，区域组件 frontend/src/components/gallery/ArchetypesZone.jsx）提供四个动作：

1. Preview（预览）——播放 WAV，主链路走archetypePreviewUrl；
2. Use voice（使用声音）——主动作 →POST /archetypes/{id}/use物化成 profile，之后在配音 / 生成 / 克隆所有选声处可用；
3. Open in Designer（在设计器中打开）——次动作 →setInstruct+setVdStates+ 切换到 Design 标签页，把原型加载回语音设计器继续微调；
4. Favorite（收藏）——写入gallerySlice的客户端收藏。

VoiceGallery 页面（frontend/src/pages/VoiceGallery.jsx）还实现了"stale-async guards"：预览拉取、物化保存等异步操作可能比触发它的动作活得更久（页面卸载、用户切换声音、已离开工作区），每个异步操作捕获当前代号并在播放/导航/setState 前复查，卸载与每次新操作都会使旧代号失效。

5. 预览体系：三级兜底 + 可选预渲染画廊

预览是 Voice Gallery 体验的核心，实现上分成三层：

5.1 按需渲染 + 磁盘缓存

GET /archetypes/{id}/preview在本地无缓存时调用_render_wav_atomic()（backend/api/routers/archetypes.py）：先渲染到临时文件、用is_playable_wav校验、再os.replace原子替换到OUTPUTS_DIR/archetype_previews/<hash>.wav，缓存键为sha256(instruct|language)[:16]——两条原型若解析到同一声音则共享同一缓存文件，冷渲染每个不同声音只发生一次。

渲染参数与质量防护值得一提：

• seed 固定为 42（可复现，与 scripts/render_demos_omnivoice.py 对齐）；
• num_step 用 32 而非 16：16 步欠收敛会让特定 (脚本, seed) 组合（尤其 seed 42 下的 "social" 示例脚本）坍缩成退化的调性嗡嗡声（The Hype Host / Podcaster / Vlogger）；
• 双重退化检测：_is_blank_audio()（峰值 < 0.02，沉默/空/非有限）之外，还有_spectral_flatness()均值帧谱平坦度检测——纯音嗡嗡声虽响（归一化后峰值约 -2 dBFS）但谱平坦度极低，阈值1e-7对最低语音（约 7.7e-6）与最坏嗡嗡声（约 3.3e-9）两侧都留有 10 倍以上余量；检测到退化即用 seed+1 重试一次，仍失败则响亮报错——空/静音/退化预览绝不会被缓存或保存；
• 合成水印：渲染成功后调用mark_synthetic_async（AudioSeal 嵌入，跑在专用 watermark 池，不占 GPU worker）打上不可见溯源标记——该站点同时覆盖预览音频与物化 profile 的参考 WAV；用户上传/录制的真人参考音频从不打标。

5.2 预渲染画廊（可选、本地优先）

由于每次预览都要在 GPU 上按需合成，全新安装的用户在 2.4 GB TTS 检查点（见 config/models.yaml）下载完成前什么也听不到。为此 backend/services/gallery.py 实现了"预渲染预览下载客户端"：

• OPT-IN（默认关闭）：下载预览是新的出站调用，而 CLAUDE.md 的 local-first 承诺是"没有明确同意，任何数据不得离开机器"。因此没有安装时后台抓取——is_enabled在用户在 Settings 开启前恒为 false，模块内所有网络入口在关闭时都是 no-op；"开启"本身即同意，并触发精选集下载。画廊关闭或不可达时，预览照旧本地渲染，整个应用在全部拒绝的情况下依然完整可用。
• 信任模型：manifest.json用既有 Tauri 发布密钥（minisign）签名，公钥UPDATER_PUBKEY与 frontend/src-tauri/tauri.conf.json 中 updater 携带的密钥逐字节一致（由 tests/test_gallery_previews.py 的 ratchet 测试锁死，冻结的后端不带 tauri.conf.json 所以必须复制）。签名校验是每个文件 SHA-256 摘要唯一有意义的保证——校验失败的 manifest 整体丢弃，且磁盘上已有的 manifest 每次加载都重新校验，不因"曾经信任"而豁免。无新密钥、无新基础设施、无第二个信任根。
• 硬字节上限：manifest ≤ 8 MiB、签名 ≤ 4 KiB、单预览 ≤ 4 MiB、featured 压缩包 ≤ 64 MiB，防止恶意/损坏端点填满用户磁盘；manifest 的 1126 个条目 ≈ 300 kB，64 kbps 单声道示例 ≈ 100 kB。
• 刷新节流：24 小时更新一次（非每次启动）；"check now"（POST /archetypes/previews/check）绕过节流但永不绕过签名校验；ON_DEMAND_TIMEOUT_S = 8.0——按需抓取在等待用户点播放，几秒内没结果不如本地渲染。
• 优先级规则：画廊音频只在/preview胜出本地渲染（这是可证明来源的固定参考渲染，引擎版本记录在 manifest 中并在 Settings 展示）；/use永远本地渲染——该 WAV 会落入VOICES_DIR成为克隆声音的参考音频，下载的有损 MP3 绝不能成为参考。

预览来源查询接口GET /archetypes/{id}/preview/state让 UI 在发起可能耗时 40 秒或必然失败的请求之前就标注好声音状态（"需等待片刻"/"先下载模型"），替代了旧版"去看日志文件"的糟糕体验。PUT /archetypes/previews开启画廊时同步拉取精选集，让"同意"产生立即可见的效果；失败默认静默（fetch_featured吞掉异常），预览退回本地渲染。

6. "Use voice"：原型 → 可复用 profile 的物化

POST /archetypes/{id}/use是整个画廊的"主动作"出口，实现上有四个要点：

1. 先渲染、后入库：约束是POST /profiles必须携带ref_audio，所以物化必须先把原型的示例脚本渲染成 WAV，再以该 WAV 为ref_audio写入voice_profiles行（kind='design'、seed=42、personality="archetype:{id}"、vd_states携带完整选择器状态）。profile 随后出现在所有选声处（配音 / 生成 / 克隆）。
2. 幂等去重：一个原型只物化为恰好一个profile。用命名空间化的personality身份（archetype:{id}）保证：导入的 persona 无法与原型 ID 冲突并被改写；同一画廊声音被任何选择器反复选中时复用那一行，而非每次重新渲染 + 插入重复。渲染期间还处理了并发竞态——写入连接上二次检查、BEGIN IMMEDIATE串行化。
3. 陈旧行治愈：识别并修复旧版物化器产生的行（_heal_materialized_profile补上kind='design'、instruct、vd_states 等字段）；_legacy_archetype_profile/_is_materialized_archetype_row不信任身份文本本身，而是逐字段核对音频文件名、instruct、language、ref_text、seed、vd_states、锁状态。
4. 失败分级：无模型时提示"去 Model Catalogue 的 Weights 列表下载语音模型"；有模型但渲染失败时给出引擎原始错误；两者都是 503 而非 500，且错误消息对 CodeQL 日志注入做了防护（不插请求派生值）。

物化后的 profile 可用GET /profiles系列接口复用，事件总线（event_bus.emit("profiles", ...)）向 UI 广播created/updated。

7. 契约测试：保证"每条 instruct 都能合成"

backend/tests/test_archetypes.py 是 archetypes 引擎的 TDD 契约测试，它独立加载词汇表（同样按文件路径，绕过重型包导入），对着真正的单一事实来源验证：

• (a) 合法性：全目录每条 instruct 的每个 token 都在_INSTRUCT_ALL_VALID中（"否则会崩溃合成"）；
• (a2) 互斥性：每个互斥类别最多取一个 token；
• (b) 分离性：英文口音与中文方言绝不同现；
• (c) 规模：generate_archetypes()至少 250 个；
• (d) 剪枝：不存在child + very low pitch、elderly + very high pitch；
• (e) 稳定性：ID 唯一且跨调用确定；
• (f) 精选完整性：featured ≥ 12、use_case 合法、脚本非空、token 合法；
• (g) 分类法：七个用例 ID 精确匹配；
• (h) 筛选器：gender / use_case / lang=Chinese（且无英文口音）/ accent 过滤正确；
• (h2) 多语言：九种语言精选齐全、instruct 非空且只含通用音色轴 token；
• (i) 查询：get_archetype往返一致、缺失返回None。

配套的还有 tests/test_gallery_previews.py（画廊签名公钥与 Tauri 更新器密钥 lockstep）、预览质量测试test_archetype_preview_quality.py（校准谱平坦度阈值）以及test_no_hardcoded_cjk.py的 allowlist（中文方言 token 是功能性的模型词汇，动态从词汇表加载，绝不内联硬编码；仅_ZH_SAMPLE与多语言示例脚本作为功能演示文本登记在 allowlist 中）。

8. 跨平台与约束合规（CLAUDE.md）

设计文档对实现的硬约束：

• 默认功能对等（严格）：原型浏览 + 按需预览 + "use voice" 在 macOS/Windows/Linux 行为完全一致（纯 Python 合成 + 静态资源，无 OS 专属代码）。唯一平台可变面是 yt-dlp 导入器——以状态形式呈现，yt-dlp/ffmpeg 缺失时优雅降级。任何默认行为不因平台而异。
• 数据向后兼容：voice_profiles无 schema 变更，voice_gallery表原样复用，无需 alembic 迁移；既有 profile/导入不受影响。
• 本地优先：除用户主动触发的导入器下载（及可选的预渲染画廊下载）外无网络调用。
• 版本纪律：随 v0.3.0 发布，无版本噪音（per CLAUDE.md versioning rule）。

9. 分阶段实施计划

设计文档给出的八阶段路径（实现已基本落地）：

1. Phase 1 — 原型引擎（TDD）：backend/core/archetypes.py+ 契约测试（上述 a–f）；
2. Phase 2 — 原型 API：backend/api/routers/archetypes.py、注册进main.py、预览缓存目录；测试覆盖 categories、各筛选、分页、404、预渲染 preview、/usehappy path（无权重时跳过）；
3. Phase 3 — 去名人化导入器：从services/gallery.py移除名人CATEGORIES常量、移除前端'celebs'/'famous voice'默认值，保留上传/裁剪/存为 profile；
4. Phase 4 — 前端数据层：api/archetypes.ts、hooks、store/gallerySlice.ts注册；
5. Phase 5 — 前端 UI：重写VoiceGallery.jsx：区域切换、facet 栏、精选 + 浏览网格、懒加载预览、卡片动作、My Imports 导入器；
6. Phase 6 — i18n：archetypes.*键写入 frontend/src/i18n/locales/en.json（权威），其余 20 个 locale 翻译前回退英文；验证无 allowlist 之外的硬编码 CJK；
7. Phase 7 — 精选预览资产：扩展 scripts/render_demos_omnivoice.py 渲染 ~24 个精选 WAV（dev-box 步骤、seed 固定）；WAV 缺失时精选回退按需渲染；
8. Phase 8 — 验证：后端 pytest、前端 typecheck/test/lint、test_no_hardcoded_cjk.py、Gallery 标签页手工冒烟。

10. 明确不在范围内

• 项目自产的名人/角色目录；
• 抓取用的自动年龄门 / cookie 绕过；
• 情感风格 instruct token（引擎不支持）；
• GitHub-App 自动提交 bug 报告的路径（与本功能无关）。

延伸阅读：设计文档 docs/superpowers/specs/2026-05-31-voice-gallery-design.md、引擎实现 backend/core/archetypes.py、API 实现 backend/api/routers/archetypes.py、词汇表单一事实来源 omnivoice/utils/voice_design.py、前端数据层 frontend/src/api/archetypes.ts 与 frontend/src/store/gallerySlice.ts、画廊 UI frontend/src/pages/VoiceGallery.jsx、契约测试 backend/tests/test_archetypes.py、预渲染画廊客户端 backend/services/gallery.py。

【免费下载链接】VoiceStudioVoiceStudio is the open-source, fully-local ElevenLabs alternative — voice cloning, voice design, video dubbing, dictation, transcription & audiobook creation in 646 languages.项目地址: https://gitcode.com/GitHub_Trending/om/VoiceStudio