前言

声音克隆到底需要准备什么？

至少按照这次 Index-TTS 的实际使用流程，并不是先录几十分钟素材、重新训练一个专属模型，再经过复杂的参数调试。它更接近这样一套操作：准备一段参考音频，输入希望生成的新文本，让模型根据参考音色合成一段新的语音。

听起来简单，但真正开始使用之前，有几件事需要先分开看。

第一是硬件。

本文采用 Windows 整合包进行测试，原文给出的最低显存参考为 6GB，推荐 8GB 或更高，并且针对 NVIDIA 50 系显卡、AMD 显卡以及 Apple M 系列设备还需要选择对应版本的整合包。没有独立显卡也并非完全不能运行，但 CPU 推理速度会明显降低。所以 Index-TTS 虽然已经可以通过整合包降低安装难度，本质上仍然是一类需要一定本地计算资源的 AI 应用。

第二是部署方式。

如果直接按照开源项目配置 Python、模型、依赖和运行环境，对第一次接触 TTS 的用户来说步骤会比较长。本文没有走源码部署，而是使用第三方整理好的 Windows 整合包。解压后运行 run.ps1，等待服务启动，浏览器会自动进入本地管理页面。

这里有两个细节值得提前注意。

整合包建议使用 7-Zip 解压，同时存放路径尽量不要包含中文、空格和特殊字符。很多看起来像模型或程序本身的问题，实际上可能只是路径或者解压文件不完整造成的。

第三才是声音生成本身。

Index-TTS 启动以后，进入 TTS 推理 WebUI，把准备好的参考音频放入工作目录，再在页面中选择对应素材、输入需要合成的文本并生成音频。生成完成以后，可以直接试听，也可以下载文件，同时在工作目录中找到输出结果。

也就是说，这次测试真正关注的不是“它能不能说话”，而是新生成的内容在音色上能够保留多少参考音频的特征。

原文使用了一段人物语音作为参考素材，再生成另一段新的文本进行对比。从操作流程来看，Index-TTS 已经把“参考声音 + 新文本 → 新语音”这件事做成了比较直观的 Web 操作，不需要在命令行中反复填写推理参数。

不过，本地部署还有一个天然特点：算力在家里的电脑上，WebUI 也默认只在本机或者局域网使用。

如果 GPU 主机一直放在家里，出门以后还想临时生成一段配音，重新在另一台电脑部署一整套环境显然没有必要。本文继续使用 cpolar 将 Index-TTS 的 TTS WebUI 端口映射到公网。这样模型和显卡仍然运行在原来的 Windows 主机上，外面的电脑只负责通过浏览器访问界面和提交任务。

这一点和把模型部署到云服务器并不相同。

真正承担推理负载的还是自己的电脑，所以生成速度依然取决于本地显卡、显存和模型状态；公网入口改变的只是访问位置，并不会让模型本身变快。

远程开放以后，还有一个比“能不能访问”更重要的问题：Index-TTS 的这个 WebUI 本身没有登录验证。

如果直接把地址长期放到公网，只要别人获得链接，就可能进入页面并使用本机的 GPU 资源。因此本文最后又给公网隧道加入 HTTP Auth，在真正进入 Index-TTS 页面之前先要求输入用户名和密码。

所以这次 Index-TTS 的完整体验可以拆成三部分来看：本地 GPU 负责语音推理，参考音频决定要模仿的音色，远程入口负责让其他网络能够使用这台本地机器。

声音克隆本身只是其中一环。真正准备长期使用时，硬件性能、参考音频质量、远程访问方式以及权限保护，都比一句“声音也能克隆了”更值得注意。

1 什么是Index-TTS

Index-TTS（Index Text-to-Speech）是一个工业级的、可控且高效的零样本文本转语音（TTS）系统。它主要基于 XTTS 和 Tortoise 等先进的语音合成技术，旨在提供高质量、高效率的语音克隆和文本转语音服务。Index-TTS 的核心优势在于其“零样本”能力，这意味着它只需要极少量的参考音频（甚至无需预先训练），就能学习并模仿特定音色的语音风格，从而生成自然、富有表现力的语音。

Index-TTS 的主要特点包括：

• 工业级品质： 具备在实际应用中稳定运行和提供高质量语音输出的能力。
• 可控性： 允许用户对语音的语速、音调、情感等多个维度进行精细化控制，以满足不同场景的需求。
• 高效性： 优化了语音合成的效率，能够在较短时间内完成文本到语音的转换。
• 零样本学习： 仅需少量参考音频即可实现声音克隆，极大地降低了使用门槛。
• 多语言支持： 能够支持中文和英文等多种语言的语音合成。

简而言之，Index-TTS 让普通用户也能轻松拥有一个“声音克隆工厂”，无论是为视频配音、制作有声读物，还是为智能应用提供个性化语音，都能得心应手。

2 Index-TTS下载及启动

由于官方的开源代码方式部署环境较为复杂不适宜新手小白入门上手，所以本教程演示的将使用**@宇宙重女库瓦特罗，@心空 12138** 制作的整合包，让新手小白入门上手变得更加简单！

2.1 硬件与系统要求

NVIDIA 50 系显卡/ AMD 显卡 / MAC 用户：请下载对应的专用整合包。

⚠️MAC 专用包仅限 M 芯片可使用

在开始使用 Index-TTS 整合包之前，请确保您的计算机满足以下基本要求：

硬件/软件类别	最低要求	推荐配置	说明
操作系统	Windows 10	Windows 11	确保系统已安装最新的系统更新和驱动程序
显卡类型	NVIDIA 显卡	NVIDIA 显卡	必须支持CUDA
显存容量	6GB	8GB 或更高	显存越大，处理速度越快
显卡型号	GTX 1060 6GB	RTX 3060 及以上	推荐RTX系列以获得更好性能
处理器	Intel i5 / AMD Ryzen 5	Intel i7 / AMD Ryzen 7	多核心处理器有助于提升性能
内存(RAM)	8GB	16GB 或更高	内存不足可能导致程序崩溃
存储空间	10GB 可用空间	20GB 可用空间	用于安装和运行，模型文件较大
网络速度	2MB/s	5MB/s 或更高	首次运行需要下载模型文件

⚠️ 特别提醒：

情况	说明	建议
无独立显卡	可以使用CPU进行推理	处理速度会非常慢，请做好心理准备
首次启动	系统会自动下载模型文件	这可能需要较长时间，请耐心等待
运行环境	建议关闭其他占用显存的应用程序	以确保最佳性能

满足以上要求的计算机可以流畅运行 Index-TTS 整合包，为您提供高质量的声音克隆服务。

2.2 整合包下载

整合包获取：

这边将以windows操作系统进行操作演示，所以这里下载windows的整合包。

2.3 启动整合包

将解压工具7-Zip下载下来后安装，使用7-Zip工具进行解压整合包：

• Win11 用户可能需要先点击“显示更多选项”才能看到 7-Zip 菜单。

⚠️请务必使用 7-Zip 进行解压！Windows 自带解压，WPS 解压，360 压缩等工具可能会导致文件缺失或损坏，引发后续各种奇怪的错误。

接着进入到解压后的目录，找到脚本run.ps1，右键点击使用PowerShell运行：

🚫 路径禁忌：

解压后的文件夹路径，绝对不能包含中文、空格或特殊字符！

错误示范：D:\AI工具\IndexTTS\index-tts-test

正确示范：D:\AI\IndexTTS\index-tts-test

运行后，会弹出PowerShell窗口：

可能会弹出是否允许Python通过防火墙，点击允许即可

⚠️控制台如果显示乱码，不影响正常使用，可以参考如下图

等待一会儿，浏览器会自动打开网页：

http://localhost:9874

可以看到，Index-TTS正常启动啦！

3 Index-TTS声音克隆使用

首先，在网页上点击1-TTS推理，然后点击打开TTS推理WebUI按钮，如下图：

接着，将准备好的音频素材放入工作目录WORKSPACE中：

D:\AI\IndexTTS\index-tts-test\WORKSPACE\source\灵笼-白月魁

这里将音频素材放在工作目录的source目录下：

接着，回到页面，依次如下图操作：

点击刷新文本后，滚动到下方，上传原素材参考音频，然后点击生成音频按钮：

生成完成后，可以点击播放按钮进行播放，也可以将其下载，下来：

也可以在工作目录中找到克隆生成的音频文件：

让我们试听一下原素材的音频和克隆后的音频对比：
原素材（灵笼-白月魁 [分离人声-43s]）：

您的浏览器不支持 audio 标签。

克隆后的音频文件：

好啦，是不是特别的像？到这儿，Index-TTS克隆声音的教程就结束啦！

4 使用cpolar将Index-TTS穿透至公网

4.1为什么要穿透Index-TTS?

很多时候我们在本地电脑或服务器上部署了 Index-TTS，但又希望能在外面随时访问，比如和同事协作、给客户演示，或者让别人直接调用生成语音。问题是本地服务默认只能在局域网里用，外网是访问不到的。通过 cpolar 我们可以把本地的 Index-TTS 安全地映射到公网，得到一个随时可用的公网地址，这样无论身处何地，都能方便地远程使用和共享，再也不用折腾复杂的网络配置或购买固定公网 IP。

4.2 什么是cpolar?

• cpolar 是一款内网穿透工具，可以将你在局域网内运行的服务（如本地 Web 服务器、SSH、远程桌面等）通过一条安全加密的中间隧道映射至公网，让外部设备无需配置路由器即可访问。
• 广泛支持 Windows、macOS、Linux、树莓派、群晖 NAS 等平台，并提供一键安装脚本方便部署。

4.3 下载cpolar

打开cpolar官网的下载页面：点击立即下载 64-bit按钮,下载cpoalr的安装包:

下来下来是一个压缩包,解压后执行目录种的应用程序,一路默认安装即可,安装完成后,打开cmd窗口输入如下命令确认安装:

cpolar version

出现如上版本即代表安装成功!

4.4注册及登录cpolar web ui管理界面

4.4.1 注册cpolar

访问cpolar官网，点击免费注册按钮，进行账号注册

注册页面：

4.4.2 访问web ui管理界面

注册完成后,在浏览器中输入如下地址访问 web ui管理界面:

http://127.0.0.1:9200

输入刚才注册好的cpolar账号登录即可进入后台页面:

4.5 穿透Index-TTS的WebUI界面

前面可以看到，TTS推理WebUI的界面，端口显示为：9872

所以我们需要将该端口进行穿透以支持咱们公网访问！

4.5.1 随机域名方式(免费方案)

随机域名方式适合预算有限的用户。使用此方式时，系统会每隔 24 小时左右 自动更换一次域名地址。对于长期访问的不太友好，但是该方案是免费的，如果您有一定的预算，可以查看大纲4.2 的固定域名方式，且访问更稳定。

点击左侧菜单栏的隧道管理，展开进入隧道列表页面，页面下默认会有 2 个隧道：

• ssh隧道，指向22端口，tcp协议
• website隧道，指向8080端口，http协议（http协议默认会生成2个公网地址，一个是http，另一个https，免去配置ssl证书的繁琐步骤）

点击website隧道的编辑按钮，填写如下信息：

• 注意：每个用户创建的隧道显示的公网地址都不一样！

接着，点击左侧菜单的状态菜单，接着点击在线隧道列表菜单按钮，可以看到有2个website的隧道，一个为http协议,另一个为https协议:

接下来在浏览器中访问website隧道生成的公网地址（http和https皆可）
这里以https为例：

可以看到成功访问啦!

4.5.2 固定域名方式（升级任意套餐皆可）

进入官网的预留页面：https://dashboard.cpolar.com/reserved

列表中显示了一条已保留的二级子域名记录：

• 地区：显示为China Top。
• 二级域名：显示为indextts。

注：二级域名是唯一的，每个账号都不相同，请以自己设置的二级域名保留的为主

进入侧边菜单栏的隧道管理下的隧道列表，可以看到名为index-tts的隧道

点击编辑按钮进入编辑页面，修改域名类型为二级子域名，然后填写前面配置好的子域名，点击更新按钮：

来到状态菜单下的在线隧道列表可以看到隧道名称为index-tts的公网地址已经变更为二级子域名+固定域名主体及后缀的形式了：

这里以https协议做访问测试:

访问成功！

接下来进行测试，这里使用原来的音频素材,文案换一个如下：

cpolar 是一款内网穿透工具，可以将你在局域网内运行的服务（如本地 Web 服务器、SSH、远程桌面等）通过一条安全加密的中间隧道映射至公网，让外部设备无需配置路由器即可访问。

操作步骤参考图如下：

可以看到，成功生成且下载下来了克隆的音频文件，让我们听一下输出的效果：

这样一来，即使 Index-TTS 服务部署在家中或本地服务器，使用 cpolar 将其映射到公网后，人在外地也可以像访问普通网站一样通过浏览器直接使用家中的语音服务。无论是远程协作、给客户演示，还是随时生成语音内容，都无需担心网络配置复杂或公网 IP 问题，让使用更加灵活便捷。

5 给Index-TTS服务添加授权验证

由于Index-TTS服务的WebUI界面无需登录即可进行访问，为了保护个人的隐私即安全，cpolar的隧道服务支持给网站添加授权验证功能，防止您部署在家中的Index-TTS服务被滥用。

首先，打开隧道列表，点击编辑index-tts的隧道：

然后，点击高级按钮，展开，按照如下图进行配置：

点击更新按钮后，访问穿透的地址，可以发现需要授权验证：

https://indextts.cpolar.top

输入用户名admin和密码123456进行登录：

可以发现，成功登录进来啦！这样，一个可以随时访问且带有安全性的Index-TTS网页端就弄好啦！

总结

Index-TTS 这类工具最直观的价值，是把原本门槛比较高的声音复刻过程变成了“参考音频 + 文本输入 + 生成语音”的可操作流程。使用整合包以后，环境配置进一步被简化，但显卡、显存以及参考素材质量依然会直接影响实际体验。

本文完成了本地 WebUI 运行、参考音频生成以及远程访问测试，再通过 cpolar 把 TTS 页面提供到外部网络。需要长期访问时，固定地址会比随机地址方便，但公网开放以后最好同时加入 HTTP Auth 等访问保护，避免任何拿到链接的人都能直接调用本机资源。

另外，声音复刻本身涉及他人的声纹和身份表达。实际使用参考音频时，更适合使用自己的声音，或者已经获得明确授权的素材。技术上能够生成，并不等于任何声音都适合拿来复刻。