国产可编辑语音大模型(ViiTorVoice)深度拆解：非自回归架构、零样本克隆、片段级编辑与国内合规落地全指南

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

这篇我想把一件事讲透：一个叫 ViiTorVoice-NAR 的国产开源语音模型，最近在业内公认比较严苛的 Seed-TTS 评测里，把综合成绩做到了很靠前的位置。写稿时它公开的词错率数据是英文 1.32、中文 0.99，也是我看到的公开评测里，中文这项指标第一次压到 1.0 以内。但它真正的杀手锏不是"读得准"，而是两点——一是不用给参考文字，只丢一段声音样本就能零样本克隆音色；二是能像改 Word 里的一个错别字那样，只改掉一句话里的某个词、只重新合成那一小段，前后音色和情绪几乎听不出接缝。它的模型权重和代码都开源在 GitHub 和 Hugging Face 上，普通人在自己的机器上就能跑起来。 下面我会从"文字到底怎么变成声音"这种底层原理讲起，一路讲到本地怎么部署、接口怎么调用，最后专门补上一章国内自媒体最容易踩坑、也最容易被忽略的部分——AI 生成内容的标识义务和声音授权的法律红线。只想要结论的朋友，看加粗这段就够了；想看完整拆解，往下翻。

一、先把话说明白：这次国产语音模型到底做成了什么事

我关注语音合成这块儿有一阵子了。过去很长一段时间，一说到能打的文本转语音（TTS，Text-to-Speech，就是把文字念成人声的技术），大家脑子里蹦出来的基本是国外那几家。国产方案不是没有，只是"综合评测拿第一"这种事，轮到国产开源模型头上的次数并不多。

这回不太一样。做出 ViiTorVoice-NAR 的是国内一家叫云上曲率的团队，他们把一个参数量在 10 亿（也就是 1B）左右的模型直接开源了，权重、推理代码、连本地要用到的对齐器和编解码组件都一并放出来，扔在 GitHub 和 Hugging Face 上任人下载。我自己第一反应不是"哦又一个 TTS"，而是——这东西居然能改口。

这里我得先泼一点冷水，也算是我写这类稿子的习惯：榜单第一这种标签，看看就好，别当信仰。评测环境、测试集、打分口径换一换，名次很可能就变了，而且模型迭代速度极快，今天的第一过两个月未必还是第一。所以我这篇不打算围着"全球第一"这四个字转，我更想讲清楚的是它背后那套"能编辑语音"的技术路子，到底新在哪、普通创作者能怎么用、以及在国内用的时候有哪些线不能碰。

真正让我坐直身子的，是"局部编辑"这个能力。做过配音后期的人应该都有体会：第一遍生成其实不费劲，费劲的是改。一段几分钟的成品音频，临了发现里头一个人名念错了、一个产品名要换，重配一句话本身两分钟搞定，难的是让这重配的一句，音色、语气、停顿、情绪都跟原来那段严丝合缝地接上。ViiTorVoice-NAR 想解决的就是这个"改一个词却要重来一遍"的老大难。它把这件事做成了"只挖掉那一小块、只补那一小块"，这在思路上就跟过去的主流模型不是一个路数了。至于它凭什么能做到这一点，得从语音合成最底层的逻辑说起。

二、语音合成的底层逻辑：文字怎么变成声音（新手扫盲）

要看懂"可编辑"到底难在哪，先得知道机器是怎么把一行字变成一段人声的。这段我尽量说人话，学过的可以快速划过去，没接触过的跟着我走一遍，后面的内容就不会晕。

你可以把一套典型的语音合成系统想象成一条流水线，文字从这头进去，声音从那头出来，中间大致要过四道工序：

文本  →  前端处理  →  声学模型  →  声码器  →  波形（人声）
（一行字）（拆音、标韵律）（算频谱）（转波形）（喇叭里的声音）

第一道叫前端处理。它干的活是把人看的字，翻译成机器能念的"发音说明书"。中文的"重"到底念 zhòng 还是 chóng，句子哪里该停顿、哪个字该重读、是疑问还是陈述——这些都在这一步定下来。它的产物通常是一串音素（phoneme，简单说就是发音的最小单位，类似拼音里的声母、韵母），再配上一堆韵律、情感的标签。

第二道叫声学模型，这是整条流水线里最"吃算力"、也最见功力的地方。它接过前端那份发音说明书，算出一张梅尔频谱图（Mel-Spectrogram）。这个词听着唬人，其实你就把它理解成一张"声音的二维图纸"：横轴是时间，纵轴是频率，图上明暗表示每个时刻各个频率的能量强弱。人耳听到的声音本质是一维的波形，而频谱是二维的，信息更规整，机器更好处理，所以业界普遍先让模型学着画这张图纸。

第三道叫声码器（Vocoder）。频谱图纸再好看也不能直接放，得有人把它"渲染"成真正能震动喇叭的一维波形。这一步就交给声码器，常见的有基于信号处理的老办法，也有 WaveNet、HiFi-GAN 这类神经网络方案，后者出来的音质更接近真人。

为了让你一眼看清这几个概念的分工，我把它整理成一张表：

这条流水线用 Mermaid 画出来就是这样，方便你在脑子里存个图：

flowchart LR
    A[输入文本] --> B[前端处理<br/>音素+韵律]
    B --> C[声学模型<br/>生成梅尔频谱]
    C --> D[声码器<br/>频谱转波形]
    D --> E[输出人声波形]

到这儿你可能会问：既然流程都一样，各家模型的差距到底拉在哪？我的理解是，差距大头就压在"声学模型"这一环——它怎么建模、怎么把文字和声音在时间上对齐、能不能同时看到上下文，直接决定了成品自然不自然、能不能被"改"。而这，恰恰引出了下一章要聊的那个关键分岔：自回归，还是非自回归。这两条路选哪条，几乎从根上决定了一个模型"能不能编辑"。这部分我（莫潇羽@无忆研习社）觉得是全篇最值得慢慢看的地方。

三、自回归还是非自回归：为什么"能编辑"必须换一套架构

这一章有点硬，但它是理解整个模型的钥匙，我尽量用生活里的比方带你过。

当前深度学习做语音合成，模型大体分两大门派。一派叫自回归（Autoregressive，常缩写成 AR），另一派叫非自回归（Non-Autoregressive，缩写 NAR）。名字很学术，但它俩的区别，用两个小时候都玩过的游戏就能讲明白。

自回归模型，像玩"词语接龙"。你说"天气"，我接"真好"，下一个人再接"适合"，一个接一个往后蹦，每个字都得等前面那个定下来才能算下一个。它的好处是顺，前后逻辑连得上；坏处也明显——只能从左往右走，永远看不到"后面"是什么，而且是串行的，一个一个算，速度上不来。落到语音里，早年那批以 Tacotron 为代表、带注意力机制的模型，走的基本就是这条路。

非自回归模型，玩的是另一个游戏——"完形填空"。整段话先摆在那儿，中间抠掉几个空，让你根据空格前面和后面的上下文，一次性把空都填上。它不用死守从左到右的顺序，可以并行地处理，速度快得多；早年 FastSpeech 那一支，就是靠先预测每个音素念多久、再并行铺开，把速度提了上去。

讲到这儿，"为什么能编辑"这件事其实就呼之欲出了。你想想看：一段成品音频里，我只想把中间两三秒那个念错的人名换掉。如果用接龙式的自回归思路，改中间意味着后面全得跟着重新接一遍，牵一发动全身。可要是用完形填空的思路呢？我把那两三秒当成一个"空格"直接挖掉，让模型盯着这段音频前面和后面的内容，把这个空重新填回去就行。因为它能同时看到前后文，填进去的这一小段，音色能对得上，情绪的衔接也能顺下来，接缝自然就不明显了。

ViiTorVoice-NAR 走的正是这条完形填空的路。往细里说，它用的是一种离散掩码语言模型（可以理解成：把声音切成一个个离散的"声音积木"，然后像做完形填空一样，把被遮住的那几块积木补齐）。它的声音表示用的是一套叫 DualCodec 的编解码，25Hz、12 层码本——这里你不用记参数，只需要知道它把连续的声音拆成了一层层离散的小单元，正是这种"离散化 + 可遮盖"的结构，才让"挖空重填"这套操作变得可行。我自己查资料时看到官方文档里提了一句，说它的整体架构很大程度上参考了 OmniVoice 这个思路，感兴趣的可以顺着这条线深挖。

把两派放一起对比，看得更清楚：

用一张图收个尾，把"局部编辑"这件事在 NAR 里是怎么发生的画出来：

flowchart LR
    A[原始音频<br/>完整一句话] --> B[定位要改的片段]
    B --> C[把该片段挖空<br/>Mask]
    C --> D[模型看前后文<br/>补齐空缺]
    D --> E[只替换这一小段<br/>其余原封不动]

说到底，架构选型这东西没有绝对的高低，自回归有它顺畅的长处，非自回归有它可编辑、可并行的优势。云上曲率这次咬牙选了实现难度更高的非自回归路线，本质上是拿工程难度换来了"可编辑"和"低延迟"这两个对创作者特别实在的能力。这笔账划不划算，看你的活儿是不是经常要改。反正对我这种没少在后期返工的人来说，是真香。

再补一句训练层面的门道，给想深挖的朋友留个线头。非自回归这条路好用，但真的不好训。接龙式的自回归模型，训练目标很直白，照着"预测下一个"一路练就行；而完形填空式的模型，得同时应付各种被随机遮住的残局——有时候遮开头，有时候遮中间，有时候遮一大片，它必须在只看到残缺片段的前提下，学会把整体补得既准确又贴合，这对训练数据的质量、对齐的精度、以及模型对上下文的理解力，要求都高出一截。它还得配一个靠谱的对齐器，把文字和音频的时间轴对得足够准，不然"到底该挖哪一段"这第一步就会错位，后面全盘皆输。所以你上手时体验到的那种顺滑，背后其实是一堆被啃下来的工程硬骨头。把这些成果直接开源摊给大家用，在我看来这份开放本身就挺难得，值得单独点个赞。

四、Seed-TTS 榜单和词错率 WER：那两个数字到底意味着什么

聊完架构，回头说说那份让它出圈的"成绩单"。想看懂成绩，得先搞清楚它是在什么考场、用什么标尺打的分。

考场叫 Seed-TTS。这是一套业内认可度比较高、也比较严的语音生成评测基准，最早由字节团队提出，同时给出了自回归和扩散式两种范式的参照。它之所以被拿来当尺子，是因为测试集覆盖面广、打分口径相对统一，能比较公平地横向比不同模型。ViiTorVoice-NAR 就是在这套基准上，把综合成绩做到了很靠前的位置，据公开信息，它把此前几家主流方案压在了身后。

标尺里最核心的一把，叫词错率（WER，Word Error Rate）。它的算法思路不难：让一个语音识别系统去听模型合成出来的音频，把听出来的文字跟原始文本比对，数一数少了几个字、多了几个字、错了几个字，除以总字数，就是词错率。所以这个数越低越好——它衡量的是"念得准不准、会不会吃字或念串"。写稿时它公开的数据是英文词错率 1.32、中文词错率 0.99。中文能压到 1.0 以内，在我看到的公开评测里算是头一回，说明它在发音准确度和语义还原上确实做到了相当靠前的水准。

这里我得按老规矩提醒一句：评测数据是有时效性的。榜单会更新，各家模型迭代又快，上面这几个数字是我写稿时查到的近似情况，等你看到这篇文章，名次和数值都可能已经变了，别把某一时刻的第一当成永久结论，具体请以官方评测页面和最新发布为准。

除了念得准，衡量克隆类模型还有一把常用的尺子叫说话人相似度（SIM，Speaker Similarity），它反过来是越高越好，衡量的是合成出来的声音跟原声有多像。做局部编辑时，这两个指标往往还得联动着看——你既要改后的片段念得准（WER 低），又要它跟原音色贴得紧（SIM 高），两头都顾住，编辑才算成功。

不过我得提醒你，词错率和相似度这类都属于客观指标——机器算出来的、能量化的数。可"好不好听"这件事，光靠机器打分是不够的。所以业内还有一类主观评测，最常见的叫 MOS（Mean Opinion Score，平均意见分），说白了就是请一批真人来听，给自然度打分，再取个平均。为什么两类都要看？因为一段音频完全可能"字字念对、音色也像"，但听感依旧僵、依旧假，缺了那口真人的气息。客观指标管的是"对不对"，主观评分管的是"像不像人"，两者合起来才拼得出一个模型的真实水平。我自己判断一个语音模型好不好，从来不只盯榜单数字，一定亲耳去 Demo 上听几段不同风格、不同情绪的样音——耳朵不会骗人，这也是我建议你养成的习惯。

一句话把这章收住：榜单是了解一个模型的入口，不是终点。数字帮我们快速建立第一印象，但真正靠不靠谱，还得自己上手跑几段听听。所以接下来，我（莫潇羽@无忆研习社）就带你逐个拆它那几项被夸得最多的核心能力，先从"零样本克隆"说起。

五、核心能力一：不用参考文本，也能零样本克隆

先解释"语音克隆"是啥：给模型听一小段某个人说话的录音，它就能学着用这个人的音色，去念你给的任意文字。这活儿本身不新鲜，新鲜的是它把使用门槛砍掉了一大截。

传统的克隆流程有个隐形的麻烦：你不光要给一段样本音频，还得一字不差地把这段音频里说的话也打出来交给模型，行话叫"参考文本"。为啥要这个？因为很多老方案得先靠这段文字，把音频和发音对齐，才能学到音色。可现实里这一步特别烦——你随手截一段声音，还得逐字听写一遍，稍微听错一个字都可能影响效果。

ViiTorVoice-NAR 支持的是零样本、无参考文本的克隆。翻译成人话就是：你只管丢一段声音样本进去，不用告诉它这段里到底说了什么，它自己就能处理，然后用这个音色念出你想要的任何内容。看它接口的默认设置也能印证这一点——参考文本这个参数默认是空的，"允许缺失参考文本"这个开关默认是打开的，所以你直接调用就能克隆，不用额外填写样本里的原话。这一下就把"听写参考文本"这道苦力活给省了。

它还带跨语种能力，也就是拿一段中文样本，去合成英文内容，音色仍然能跟着走。我理解这背后的意义在于：少了对语音识别（ASR，把语音转成文字的技术）的强依赖，原始的、没经过精细整理的样本也能直接喂，鲁棒性（就是"抗造能力"，样本脏一点、有点背景音也不至于崩）会更好一些。

我自己上手跑的体验是，截一段几秒到十几秒、相对干净的人声，克隆出来的音色贴合度已经能用了。如果你追求更高的相似度，样本给长一点、干净一点，效果通常会更稳。

关于样本，我总结过几条自己踩坑换来的小经验，分享给你：一是尽量选语气平稳、吐字清楚的片段，别拿那种大喊大叫或者气声很重的当样本，模型学起来吃力；二是背景音越少越好，实在有点杂音也别怕，它的抗造能力不错，但纯净人声始终是上限更高的起点；三是别贪长，几秒到十几秒的高质量样本，往往比一大段忽好忽坏的素材更管用。跨语种这块我也试过，拿一段中文样本去合成英文，音色确实能跟着走，只是遇到一些发音习惯差异大的情况，偶尔会带一点"口音泄漏"——就是母语的腔调渗进了目标语言。这属于正常现象，对效果要求高的话，可以在样本挑选和参数上多花点功夫去磨。

不过这里我必须踩一脚刹车，把话撂在前头——克隆能力越强，越要管好"这段声音你有没有权利用"这件事。随手截一段别人的声音拿去克隆，尤其是拿去做商用或者公开传播，在国内是有明确法律风险的，这不是我吓唬你，后面第十一章我会专门用真实判例把这条线讲透。技术给了你"能做"的自由，但"能做"不等于"能随便做"，这根弦这篇文章里我会反复替你绷着。

六、核心能力二：像改 Word 一样修语音（这才是真正的重头戏）

如果说克隆是入场券，那片段级局部编辑才是这个模型真正的看家本领，也是我一开始被它吸引的原因。这章我讲得细一点。

先还原一个特别真实的场景。假设你已经做完一段几分钟的成品音频，配音、情绪、节奏都调到满意了，临上线前甲方突然说：里头那个联系人的名字写错了，得改。搁过去，你面对的是一个两难：要么把这句话单独重配一遍——但重配的这句，音色、语气、停顿、跟前后的衔接，十有八九对不齐，一放出来就"跳戏"；要么整段重来——费时费力，前面调好的一切心血白费。做后期的都懂，真正烧时间的从来不是第一次生成，而是这种"只改一个词却要重来一遍"的返工。

ViiTorVoice-NAR 的局部编辑，就是冲着这个痛点来的。它的用法非常直觉，你只需要给三样东西：

• 原始音频（source_audio）：就是那段已经做好的成品。
• 原始文本（original_text）：这段音频对应的原话。
• 修改后文本（edited_text）：你希望它变成的样子。

剩下的它自己搞定。它内部大致是这么走的：先把"原始文本"和"修改后文本"做一次差异比对（diff，就像代码里比对两个版本、高亮出改动的地方），揪出到底是哪个词、哪句话变了；然后借助强制对齐器（Forced Aligner，作用是把文字精确地对到音频的时间轴上，知道"第几秒到第几秒对应的是哪个字"），定位出音频里需要动刀的那一小段；最后，把这一小段当成完形填空的空格挖掉，在原文本和前后音频的双重约束下，只把这一小段重新合成回去。整句话的其余部分，纹丝不动。

这么做的好处是实打实的：因为只重算被改的那一小块，音色天然就跟原来一致；又因为模型能同时看到改动点前后的音频，情绪的起伏、语气的衔接、停顿的分寸都能顺下来，前后过渡不容易露馅。官方也提到，这套机制特别适合改那些短词、短语、数字、人名、以及"嗯""那么"这类语气词——恰恰是实际返工中最高频的几类改动。

用一张图把这套流程串起来：

flowchart TD
    A[原始音频 + 原始文本] --> C[文本差异比对 diff]
    B[修改后文本] --> C
    C --> D[强制对齐<br/>定位要改的时间段]
    D --> E[挖空该片段 Mask]
    E --> F[看前后文<br/>只重合成这一小段]
    F --> G[拼回原音频<br/>其余部分不动]

再举两个我编的、通用化的小例子，帮你体会它的用武之地（都是虚构场景，别对号入座）：

• 一段科普短视频的旁白里，把"我们下周三上线"改成"我们下周五上线"。过去你得重录整句，现在只需要把"三"这个字所在的片段替换掉，其余的语气、节奏原样保留。
• 一段有声内容里，一个角色的称呼从"林医生"临时改成"林老师"。只动"医生"到"老师"这两个字对应的音频段，前后那段深情的语气不会因为重配而变味。

接口调用上也有几个参数值得留意。比如对齐的粒度可以按词来切（align_granularity 设成 word），改动定位更精细；还有个遮盖范围的放大系数（expand_mask_ratio），我的理解是它控制"挖空时往两边多留一点缓冲"，留的余量合适，接缝处过渡会更自然。这些参数我建议你拿自己的素材多试几组，没有放之四海皆准的最优值，都是调出来的手感。

我自己折腾下来最大的感受是：这个能力真正改变的是工作流，而不只是效果。以前"改音频"在我心里是个重活儿，得排时间、得有心理准备；现在它更像在文档里改错别字——定位、替换、搞定。对经常要应对临时改稿的人来说，这种确定性比"音质又高了百分之几"要值钱得多。当然，改归改，改完的东西往哪儿用、是不是 AI 生成的、有没有获得授权，这些账后面还得算，这里先按下不表。

不过我也得给你把话说圆，别让你以为它是万能的。局部编辑最擅长的是"小改"——换个词、改个数字、调个人名、动个语气词，这类改动前后时长变化不大，接得也最漂亮。可一旦你要改的内容特别长，或者改完之后整句的节奏、时长跟原来差出一大截，效果就未必那么理想了，衔接处可能会露一点马脚。还有一种情况，如果原音频本身录得就糊、噪声大，那"挖空重填"的地基不牢，补出来的片段也难免受影响。我的经验是：把它当成一把精修的手术刀，而不是推倒重来的大锤。小范围、局部性的修补，它是真正的利器；真要伤筋动骨地大改，有时候老老实实重新生成整段，反而更省心。工具的脾气摸清楚了，才能用在刀刃上。

七、核心能力三：情感与副语言控制，让声音"有戏"

一段好配音，光把字念对是不够的。同样一句"我知道了"，开心地说、失落地说、不耐烦地说，是三种完全不同的味道。能不能控制这种"味道"，很大程度上决定了合成语音是冷冰冰的机械音，还是像个活人。

ViiTorVoice-NAR 在这块给的方案挺直接：你可以在文本里直接插标签。想让它开心，就在句子前面挂一个开心的情感标记；想让它难过，就换成难过的标记。除了喜怒哀乐这类情绪，它还支持所谓的副语言信息（paralinguistic，指那些不是"字"本身、但影响表达的东西，比如笑声、叹气、停顿这类非语言的声音事件）。这套写法用起来门槛很低，就是在文本条件里加几个尖括号标签的事。

光有标签还不够，情绪"给到几分力"也得能调。这里就要请出一个叫 CFG 的概念——全称 Classifier-Free Guidance，中文常叫"无分类器引导"。名字很唬人，但你把它理解成一个"听话程度"的旋钮就行：调低了，模型比较放飞，情绪淡一点、更自然；调高了，模型更死守你给的情感条件，情绪更浓、更外放，但拧过头声音可能会有点用力过猛。ViiTorVoice-NAR 就用这类引导参数来增强情感和副语言的控制效果，接口里能看到类似"情感引导强度""非语言事件引导强度"这样的可调项。

我的建议是别一上来就把强度拉满。我自己试的时候，习惯从中间档位起步，一段一段听着调——想要克制的深情，就往低调；想要夸张的综艺感，就往高推。这种细颗粒度的控制，才是让 AI 声音"有戏"的关键，也是它跟早年那种平板念稿的 TTS 拉开差距的地方。

为了让你少走弯路，我把自己调这类参数时的一点粗浅手感整理成一张对照表，注意这只是我个人试出来的经验起点，不是官方标准值，你务必拿自己的素材再校准：

调参这事没有标准答案，全是听出来的。我一般一句台词试三档，A/B 对着听，选那个"最不像机器"的。慢是慢了点，但成品的质感就是这么一点点磨出来的。

八、核心能力四：低延迟推理，实时互动不再是空话

前面聊架构时说过，非自回归天生就快，因为它是并行填空、不用一个字一个字地等。这个"快"落到实时交互的场景里，价值特别大。

在语音助手、在线客服、实时翻译这类场景里，延迟是要命的。你问一句，它卡个一两秒才开口，体验立刻就崩了。衡量这个的关键指标叫首帧延迟——从你把请求发出去，到第一声音频吐出来，中间隔了多久。ViiTorVoice-NAR 支持一种叫 first block（首块）推理的模式：它不非得把整段音频都算完才开口，而是先只生成开头那一小块，让声音尽快先响起来，后面的再一块一块接着补。靠这套机制，它的端到端首帧延迟能做到 60 毫秒上下。后续的音频块继续按块生成，等于在"开口够快"和"整段够好"之间做了个平衡。

顺带说下它声音表示用的那套 DualCodec 编解码，除了让"挖空重填"成为可能，还有个工程上的好处：解码器做得比较轻。这意味着服务端可以只把体积很小的"声音 token"传出去，到了终端设备再用本地算力解码成音频，传输和部署都更灵活，服务器、手机、边缘设备都好落地。

我自己的态度是，延迟这种数据你听个量级就好，具体多少毫秒跟硬件、并发、网络都强相关，官方给的是理想条件下的近似值，真要用在你的业务里，一定拿自己的机器、自己的并发量压测一遍再下结论。但方向上，非自回归 + 首块推理这套组合，确实是把"实时语音交互"往前推了一大步，这点我认。

再顺着"解码器轻"这个点多聊两句落地的想象空间。传统方案里，音频生成往往得整段在服务端算完再回传，网络一抖，体验就打折。而"服务端只传很小的声音 token、终端本地解码"这条路子，等于把一部分算力挪到了离用户更近的地方，好处是双份的：一来传输的数据量小，网络压力低；二来响应更快、也更稳。这对做端侧智能硬件、车载语音、或者对实时性要求苛刻的互动应用，都是很实在的利好。当然我还是那句话，这些优势都得放到你自己的真实环境里去验证——实验室里的漂亮数字，和你并发上来之后的真实表现，中间往往差着一段距离，别偷懒，压测一遍再拍板。

九、动手实操：本地部署与接口调用全流程

讲了这么多原理，这章我们真刀真枪跑起来。因为它是开源的，权重和代码都能直接拿到，所以在自己的机器上部署一套完全可行。下面这套流程是我照着官方说明梳理的，我把每一步为什么这么做也顺带讲一句，新手照着走应该不会太懵。

9.1 先看看你的机器够不够格

开跑之前，先对一下环境。大致的门槛是这样：

• Python 3.8 及以上版本。
• 一块支持 CUDA 的显卡（推荐 NVIDIA，显存 8GB 往上会比较从容）。CUDA 你可以理解成 NVIDIA 显卡跑 AI 计算的"驱动加速套件"，没有它显卡帮不上忙。
• 操作系统建议 Linux 或 macOS。

显存这条我要多说一句：8GB 是个相对宽松的起步线，具体够不够还得看你跑多长的音频、开多大的并发，紧张的话就把批量调小一点。

9.2 拉代码、装依赖

第一步把项目拉到本地，然后跑官方给的初始化脚本，它会自动建好虚拟环境、把该装的依赖一次性装齐，省心：

git clone https://github.com/viitor-ai/viitor-voice-nar.git
cd viitor-voice-nar
bash init_env.sh

这个脚本会创建一个独立的虚拟环境（.venv），把推理需要的东西都装进去。用虚拟环境的好处是不污染你系统里其他项目的依赖，这是我个人一直坚持的习惯。

9.3 下载模型权重

模型文件要放到项目下的 local_models/ 目录里，这里有个坑我得提醒你——不要用软链接（就是别拿快捷方式糊弄，要实实在在的文件），官方特意强调了这一点，用软链接容易出问题：

mkdir -p local_models
huggingface-cli download ZzWater/ViiTorVoice-NAR \
  --local-dir local_models \
  --local-dir-use-symlinks False

下下来你会看