FireRedTTS

FireRedTTS 是一个基础文本转语音框架，目标是把文字变成听起来自然的语音。它把语音压缩成离散的语义 token，用语言模型根据提示文本和参考音频生成 token，再经过两阶段波形生成器还原成高保真音频。整个框架包含数据处理、基础系统和下游应用三部分。

主要功能

最直接的能力是零样本音色克隆：给一段参考音频和要读的文字，它就能用那个音色把文字读出来，中英文和混说都能处理。官方演示里还展示了情绪控制（生气、开心、难过）和副语言行为，比如重复、拖长音、吸气、笑声、强调，这些通过指令微调实现，适合让聊天机器人的回复带点人味。

如果零样本效果不够像，可以用少量数据微调。材料里提到，用 1 小时录音做少样本微调，能适配工作室级别的有声角色。

适合谁

做配音工具的开发者可以用它克隆 UGC 场景的目标音色；做语音聊天机器人的团队可以用它生成带情绪和停顿的回复。普通用户没法直接打开网页就用，需要按代码仓库的说明自己部署。

费用与限制

项目以论文和代码的形式公开，页面上有 Paper、Code 和 Huggingface Demo 的入口，但材料没有说明许可证和商用条款，使用前需要到代码仓库确认。演示页只展示效果，不提供在线合成服务。