用于播客和对话的 VibeVoice 替代方案
请注意：Supertonic 3 目前不支持中文，文中的 SuperClonica 声音可朗读其支持的 31 种语言。Microsoft 的 VibeVoice 曾引起轰动，因为它的 TTS 模型可以用最多四位说话人生成最长 90 分钟的语音，一次完成整期播客。2025 年 9 月 5 日，维护者因发现滥用而从仓库中删除了 VibeVoice-TTS 代码，模型表中 TTS-1.5B 权重被标为已停用。剩下的是可生成约 10 分钟语音的流式模型 VibeVoice-Realtime-0.5B，项目说明这些模型仅供研究和开发使用。
如果你想做多声音播客或对话，免费的 SuperClonica 引擎换一种方式实现：每位说话人一个声音，每句台词单独朗读，再合并成一个文件。它在普通处理器上离线运行，标准声音可以商用。
VibeVoice 发生了什么
VibeVoice 仓库采用 MIT 许可，仍提供语音识别模型和 TTS 模型 Realtime-0.5B，支持流式文本输入，约 300 毫秒发出第一个声音。长篇 TTS 代码已于 2025-09-05 删除，TTS-1.5B 权重标为已停用。在其基础上构建项目前，请先查看仓库的最新状态。
先试听声音
在目录中任意声音的页面，粘贴一句脚本台词（30 到 100 个字符），选择语言并点击朗读。几秒钟就能决定谁当主持人、谁当嘉宾，无需注册。
一份脚本做双人播客
用 python -m pip install superclonica-cpu 安装引擎。脚本每行一位说话人，例如 A: 欢迎回到节目。和 B: 谢谢，很高兴来到这里。为每位说话人指定声音，例如主持人用 F2、嘉宾用 M3，逐句朗读后用短暂停顿连接；我们的 AI 对话指南提供现成的 Python 片段，可把这样的脚本变成一个 WAV 文件。长节目只是更多行：没有长度限制，修改一句只需重做一句。
VibeVoice 更强的地方
长篇模型一次读完整段对话，因此轮流发言、笑声和说话人之间的衔接可能更自然，而且 VibeVoice 还支持中文。逐句朗读可以精确控制每一句，并能在任何电脑上运行，但重叠和打断需要写成单独的短句。
可以发布的声音
十个标准声音 M1 至 M5 和 F1 至 F5 可依据 OpenRAIL-M 模型许可商用，用你自己或已同意者的录音训练的声音也一样。目录中的角色声音由粉丝制作，仅限粉丝和戏仿用途。绝不要编写可能被当成真实录音的真人虚假对话。