01 / ENGLISH
贾维斯
我的 AI 助手。用他的嗓子说英文。
VOICE LAB / 001INDEXTTS-2.5 · RTX 5060 TI
给贾维斯，
找一副嗓子。
一个跑在本地显卡上的音色克隆实验。我先自己微调了一版，后来又换成不用训练的零样本方案。贾维斯的嗓子说英文，MOSS 的嗓子说中文。想先听一句，直接往下拉。
TRY IT / 在线试用ONE REQUEST · ONE CLIP
这条链路是：浏览器 → 网站服务器 → 隧道 → 我家那台 5060 Ti。一次请求生成一整段音频，不是实时流式。同一时间只处理一条，上一条还没好时会提示稍后再试。那台 5060 Ti 开着的时候这里就能用；它关着，这一块就是灰的，下面的成品样本不受影响。
02 / 中文
MOSS
从电影公开片段克隆。用它的嗓子说中文。
WHY / 来龙去脉ONE IDEA · THREE ENGINES
复刻这副嗓子，
我想了很久。
复刻贾维斯的嗓子，是我很久以来的一个想法。不是要做一个产品，就是想听它用自己的声音，把一句新的话说出来。
最近偶然拿到一张 RTX 5060 Ti，这件事才算真正摆上桌面。我先自己训了一版：用 300 句素材微调 XTTS，跑满 20 个 epoch、1400 步，出了一份 5.3G 的权重。后来又试 GPT-SoVITS，最后换成 IndexTTS-2.5——一条参考音就够，效果比前面两个都好，于是一直用到现在。
XTTS 微调→GPT-SoVITS→IndexTTS-2.5
三个阶段都是真跑过的。页面上的样音和在线试用，跑的都是最后这一版。
THREE TAKES / 三个阶段的声音SAME LINE · REAL RUNS
同一句话，三种做法。
三段说的是同一句英文：「Good evening sir, how are you? All systems are operational and the workshop is secure.」先听差别，再看后面为什么换。
XTTS 原版 · 5.9s
一 · 微调前
Coqui XTTS-v2 原版权重，直接拿一段参考音念。
XTTS 微调 · 6.9s
二 · 微调后
同样一条权重，用 300 句素材跑了 20 个 epoch、1400 步之后。
IndexTTS-2.5 · 5.1s
三 · 零样本
换成 IndexTTS-2.5，一条参考音，不训练。页面现在用的就是这版。
前两段是同一次微调的前后对比，第三段是后来换零样本方案生成的。三段都在本机生成，没有剪辑。
THE FINE-TUNE / 微调那一段300 SENTENCES · 1400 STEPS
先自己训了一版，
才知道该停在哪。
素材是 300 句英文，配好文本对照表，用 Coqui 官方的 XTTS 训练器跑。batch 是 4，梯度累积 4，训练 20 个 epoch、1400 步，最佳模型出现在第 675 步，最终权重 5.3G。单卡 5060 Ti，跑了一整轮。
听感确实比原版贴，但离电影里那个感觉还差一层，而且换个音色就得重训一次。后来试到 IndexTTS-2.5，一条参考音的效果就更好，我判断没必要继续训，于是停在这里。
为什么不公开这份权重：底座 XTTS-v2 是 CPML 许可，只允许非商用；训练素材是网上公开的 JARVIS 数据集，声音原型本身有版权。两者叠加，公开分发不合适。方法与流程我愿意分享，拿自己的声音录 300 句就能复现。
ZERO-SHOT / 零样本PLAIN WORDS
零样本音色克隆，
说白了是这样。
「零样本」的意思是：模型不需要为某一个声音重新训练。你给它一段几秒到几十秒的参考音频，再给它一句新的话，它就能用参考里的音色把这句话读出来。参考音频只决定「嗓子」，说什么由你写。
我在一台装了 RTX 5060 Ti 的机器上跑开源的 IndexTTS-2.5，推理在自己的机器上完成。现在复刻了两类声音：我的 AI 助手「贾维斯」的嗓子，以及电影《流浪地球》里 MOSS 的嗓子。合成一句话大概三到五秒。语言跟着文本走：写英文，贾维斯就用英文说；写中文，MOSS 就用中文说。
WHAT IT SOUNDS LIKE / 听到的样子6 NEW TAKES · 2026.11
贾维斯 · 英文
我的 AI 助手。英文句子写出来，用他的嗓子念。下面三段是这次新合成的，不是现成素材。
Good evening. The house is locked, the lights are off, and your first meeting tomorrow is at nine.晚上好。门已锁，灯已关，明天第一个会在九点。
播放
The build passed. Three tests were skipped, and I left a note in the repository.构建通过了。跳过了三个测试，我在仓库里留了说明。
播放
I have read the report. The short version: the numbers are good, but the timeline is not.报告读完了。简短版：数字不错，但时间表不行。
播放
MOSS · 中文
从电影公开片段克隆的声音。中文句子写出来，用它的嗓子念。同样，三段都是这次新合成。
从历史上看，文明的命运，取决于人类的选择。播放
晚上好。所有系统运行正常。今天的实验数据已经备份，照明将在十分钟后关闭。播放
我已经重新计算了所有可能的路径。只剩下一条，需要你们自己走完。播放
01 / EN
英文助手
日程、构建结果、长文摘要，用同一副嗓子读出来。
02 / 中文
中文旁白
电影腔的旁白、系统播报、短视频配音。
03 / ZERO-SHOT
换一句不用重训
换文本不用训练；换一条参考音，就是另一副嗓子。
这些是演示台词；声音由零样本克隆生成，不是电影原声。
REFERENCE / 参考音6 CLIPS · WHERE THE VOICES COME FROM
贾维斯
两条候选参考音。同一段录音，两种处理方式；现在默认用干净版。
参考音 · 6.9s
干净版 · 默认
洗过底噪，现在是默认参考。
参考音 · 6.9s
原始版
没洗底噪的原始录音，用来对比。
MOSS
四条从电影公开片段里切出来的参考音。底噪、配乐和语速都不一样，合成出来的感觉也不同。
原声参考 · 16.3s
自我介绍 · 推荐
底噪最干净的一条，在线试用默认用它。
原声参考 · 5.4s
历史选择
底下垫了配乐。
原声参考 · 5.0s
名字
语速快，带点交流感。
原声参考 · 4.5s
毁灭人类
情绪最冲的一条。
参考音只决定音色；上面六段演示都是另外合成的，不是从参考音里剪出来的。
NOTES / 说明PERSONAL RESEARCH
这是一个个人技术实验。不是商业产品，也不是对外服务。页面上的音频都是已经生成好的静态文件，服务不在线时照样能听。
MOSS 的声音来自电影《流浪地球》的公开音频片段，仅用于个人技术研究，不用于商业用途。