在自己的 NVIDIA GPU 上训练 TTS 声音
从零训练语音合成模型需要数小时的干净录音和强大的硬件。大多数人并不需要这样：他们需要的是一个能让好模型说话的新声音。SuperClonica 训练的正是这个：为开源多语言模型 Supertonic 3 训练一个声音，只需一段 5 到 10 秒的干净录音。请注意：Supertonic 3 暂不支持中文，可朗读英语、日语、韩语等 31 种语言。
本指南介绍所需条件、如何把带 NVIDIA 显卡的电脑接入为 worker、工作室中的训练流程，以及如何使用或出售训练好的声音。用自己的硬件训练是免费的。
训练的是什么，为什么这么快
基础模型已经会说 31 种语言。训练是为它找到一个声音：一个描述录音音色和说话方式的小 JSON 文件。所以一段短参考录音就够了，训练好的声音也能在普通处理器上离线运行。
电脑配置要求
worker 客户端运行在 Windows 上；模式在 worker 卡片上选择，“自动”模式下 worker 会等待空闲内存，15 分钟后切换到“迷你”模式。
- Windows 10/11（64 位），NVIDIA RTX 20 系列或更新的显卡（GTX 16 也可以），驱动 580 及以上。
- 完整质量：12 GB 显存（最好 16 GB）和 32 GB 内存。
- 迷你模式：8 GB 显存和 16 GB 内存，声音相似度会略低。
- 15 GB 可用磁盘空间，并开启 Windows 页面文件。
第 1 步：创建声音和参考录音
在工作室中创建声音并添加参考录音：一段 5 到 10 秒的干净录音及其逐字准确的文本。在安静的房间录制，只有一个说话人，音量稳定，用声音应有的说话方式。请使用自己的声音或已获对方同意的声音。
第 2 步：把电脑接入为 worker
打开“我的 worker”，添加一个 worker 并下载 SuperClonicaWorker.zip：其中包含客户端和你的 worker.json（含平台地址和个人令牌）。解压后运行 SuperClonicaWorker.exe，首次启动会下载其余所需文件，之后自动更新。worker 只训练你的声音。
第 3 步：训练并比较检查点
在参考录音上点击“训练”，选择步数并开始；页面会根据以往训练估算 500 步所需时间。训练过程中，按试听和与参考录音的相似度比较检查点，并继续训练最有希望的那个。
第 4 步：使用或出售声音
在训练页面免费下载 JSON，用免费的 SuperClonica 引擎离线朗读任何文本：python -m pip install superclonica-cpu，然后 superclonica --text "Hello!" --voice my-voice.json --lang en --output hello.wav。如果愿意，可以配上封面、说明和价格在目录中发布，或在交易所接其他用户的声音订单。