ViiTorVoice - 云上曲率推出的 AI 语音合成模型

发布于 2026-07-02 · ViiTorVoice 是云上曲率推出的全球首个支持局部编辑的 AI 语音合成模型，登顶 Seed-TTS 权威评测榜首。它采用 NAR 非自回归架构，实现"像改 Word 一样修语音"——可定向替换音频中的某个词或片段，其余音色、节奏、情感完全保持不变。

ViiTorVoice是什么

ViiTorVoice 是云上曲率推出的全球首个支持局部编辑的 AI 语音合成模型，登顶了 Seed-TTS 权威评测。它用 NAR 非自回归架构，”像改 Word 一样修语音”——指定音频里的某个词或片段替换掉，其余音色、节奏、情感一点不动。无文本的跨语种克隆、情绪控制都支持，推理延迟低到 60ms，1B 参数模型已经开源。

ViiTorVoice的主要功能

片段级局部编辑：指定音频里的某个词或片段替换掉，其余部分原样不动。
语音克隆：无参考文本（Zero-Shot）也能做跨语种克隆，传一段纯音频上去，音色就提出来了。
情绪与副语言控制：插入特殊 Token 就能做到词级控制，情绪表达则靠 CFG 技术加强。
低延迟推理：端到端首帧生成时间不到 60ms，首块推理也能跑。
多语种支持：中、英、日、韩等多语种的语音都能生成。

如何使用ViiTorVoice

访问 Demo 页面：打开 Hugging Face 上的在线体验地址（https://huggingface.co/spaces/ZzWater/ViiTorVoice）。
选择功能模式：在界面顶部切换「Voice Edit」（局部编辑）或「Voice Clone」（语音克隆）标签。
上传源音频：把要编辑或克隆的原始音频拖到左侧「Source Audio」上传区域。
输入文本指令：编辑框里分别填原始转录文本和改好的目标文本，系统会自己找出差异片段。
插入情绪标签：如需控制情感，在文本中插入特殊 Token（如 <laugh>、<sigh>）来标记副语言信息。
调整生成参数：推理步数（4 步或 8 步）这些参数设好，点生成，等模型处理。
预览与下载：右边「Edited Audio」区域能试听效果，没问题就下载存到本地。

ViiTorVoice的核心优势

评测成绩全球第一：Seed-TTS 英文词错率 1.32、中文词错率 0.99，SIM-o 和 UTMOS 两项也都领先。
独创局部编辑能力：片段级定向编辑目前只有它支持，传统 TTS 改一个词就得整段重录的问题就此绕开。
无文本依赖克隆：转录文本不必准确，跨语种的音色迁移也能做，小语种场景尤其合适。
极速推理：首帧延迟在 60ms 以内，行业普遍是 150-200ms，差距明显。

ViiTorVoice的项目地址

GitHub仓库：https://github.com/viitor-ai/viitor-voice-nar
HuggingFace模型库：https://huggingface.co/ZzWater/ViiTorVoice-NAR

ViiTorVoice的同类竞品对比

对比维度	ViiTorVoice	Qwen3-TTS
研发方	云上曲率	阿里巴巴通义实验室
核心架构	NAR 非自回归（完形填空式）	AR 自回归（逐帧链式生成）
局部编辑	✅ 支持片段级定向修改，改词不改全段	❌ 不支持，修改一词需整段重生成
Seed-TTS 英文 WER	1.32（更低=更准）	1.54
Seed-TTS 中文 WER	0.99（行业首个<1.0）	1.15
首帧延迟	<60ms	~150-200ms
无文本克隆	✅ 仅需纯音频即可跨语种克隆	❌ 需提供音频+准确转录文本
情绪控制	词级 Token 精准控制（笑声/叹气等）	基础自然语言描述控制