综合介绍

Open-VoiceCanvas，项目名称为VoiceCanvas，是一个开源的文本转语音（TTS）平台。它使用人工智能技术，为用户提供高质量的语音合成服务。该系统的核心功能是文本转换成语音和声音克隆。它整合了多种AI语音服务，包括OpenAI TTS、AWS Polly和专为中文优化的MiniMax。这使得平台不仅支持超过50种语言的文本朗读，还能克隆用户的声音，生成个性化的语音。该项目代码完全开源，方便开发者进行二次开发和部署。系统内置了完整的用户管理和订阅支付功能，支持使用Google、GitHub等第三方账号登录，并通过Stripe处理订阅支付。对于开发者来说，它提供了一个完整的商业化语音服务解决方案。

功能列表

• 多语言支持: 支持超过50种语言的文本转语音。
• 多种语音服务集成: 集成了OpenAI TTS、AWS Polly和MiniMax三种语音引擎，并支持在其中一种服务失败时自动切换到备用服务。
• 声音克隆: 用户可以上传自己的声音样本，克隆出具有个人特色的声音模型。
• 语音效果调节: 支持选择男声或女声，并可以自由调节语音的播放速度。
• 用户系统: 包含完整的用户注册、登录流程，同时支持Google和GitHub账号一键登录。
• 订阅系统: 内置Stripe支付集成，支持免费试用、按月/按年订阅以及按使用量付费等多种模式。
• 文件处理: 支持直接上传.txt等文本文件进行转换，并可以将生成的音频文件下载到本地。
• 界面友好: 提供实时音频预览和可视化波形，并支持浅色与深色两种主题模式切换。
• 开源架构: 代码100%开源，使用Next.js、Prisma、PostgreSQL等现代化技术栈，便于开发者学习和自定义。

使用帮助

VoiceCanvas是一个功能强大的文本转语音和声音克隆平台。以下是详细的安装和使用指南，帮助您从零开始部署并使用它。

一、 系统安装与部署流程

部署VoiceCanvas需要一些基础的开发环境知识，主要是Node.js和数据库配置。

1. 克隆代码仓库首先，您需要将项目的源代码从GitHub克隆到您的本地计算机或服务器上。打开终端（命令行工具），并执行以下命令：

git clone https://github.com/ItusiAI/Open-VoiceCanvas.git

然后，进入项目目录：

cd Open-VoiceCanvas

2. 安装项目依赖项目使用npm作为包管理器。在项目根目录下，运行以下命令来安装所有必需的库和模块：

npm install

3. 配置环境变量这是最关键的一步。您需要配置API密钥和数据库连接信息，才能让系统正常工作。

首先，在项目根目录中创建一个名为.env的文件。您可以复制.env.example文件来创建：

cp .env.example .env

接下来，用文本编辑器打开.env文件，并填入以下必需的配置信息。这些信息需要您提前在相应服务平台注册并获取。

必需配置：

• 语音服务API密钥:
  • OPENAI_API_KEY: 您的OpenAI API密钥。
  • MINIMAX_API_KEY: 您的MiniMax API密钥。
  • MINIMAX_GROUP_ID: 您的MiniMax组ID。
  • NEXT_PUBLIC_AWS_REGION: AWS区域，例如us-east-1。
  • NEXT_PUBLIC_AWS_ACCESS_KEY_ID: 您的AWS访问密钥ID。
  • NEXT_PUBLIC_AWS_SECRET_ACCESS_KEY: 您的AWS秘密访问密钥。
• 数据库URL:
  • DATABASE_URL: 您的PostgreSQL数据库连接字符串。项目推荐使用Neon这种Serverless Postgres数据库，您也可以使用其他PostgreSQL服务商。
• 支付系统（Stripe）:
  • STRIPE_SECRET_KEY: 您的Stripe秘密密钥。
  • NEXT_PUBLIC_STRIPE_PUBLISHABLE_KEY: 您的Stripe可发布密钥。
  • STRIPE_WEBHOOK_SECRET: 用于处理支付事件的Stripe Webhook密钥。
• 认证系统（NextAuth.js）:
  • NEXTAUTH_URL: 您的应用部署网址，在本地开发时通常是http://localhost:3000。
  • NEXTAUTH_SECRET: 一个用于加密会话的随机字符串，您可以自己生成。

可选配置（第三方登录）：

• GITHUB_ID: 您的GitHub OAuth应用客户端ID。
• GITHUB_SECRET: 您的GitHub OAuth应用客户端密钥。
• GOOGLE_ID: 您的Google OAuth应用客户端ID。
• GOOGLE_SECRET: 您的Google OAuth应用客户端密钥。

4. 运行数据库迁移当环境变量配置完成后，您需要初始化数据库结构。Prisma ORM使得这个过程非常简单。运行以下命令，它会根据prisma/schema.prisma文件中的定义创建所有数据表：

npx prisma migrate dev

5. 启动开发服务器现在，一切准备就绪。运行以下命令来启动本地开发服务器：

npm run dev

启动成功后，您可以在浏览器中访问 http://localhost:3000，即可看到VoiceCanvas的界面。

二、 主要功能操作指南

1. 文本转语音（TTS）这是平台的核心功能。

• 输入文本：在主界面的文本框中，输入或粘贴您想要转换为语音的文字。您也可以直接点击上传按钮，选择一个文本文件。
• 选择语言和声音：在文本框下方，您可以看到语言选择和声音选择的下拉菜单。根据您的文本内容选择对应的语言，然后选择一个您喜欢的声音（如alloy, echo等）。
• 调整语速：通过拖动语速滑块，可以加快或减慢生成语音的语速。
• 生成和预览：点击“生成语音”按钮。系统会调用AI引擎进行转换，完成后会自动在下方的播放器中播放生成的音频。您也可以看到音频的波形图。
• 下载音频：如果您对生成的语音满意，可以点击下载按钮，将音频文件保存为MP3格式。

2. 声音克隆声音克隆允许您创建自己独特的声音模型。

• 进入克隆页面：登录后，在用户菜单或导航栏中找到“声音克隆”功能入口。
• 上传音频样本：您需要按照页面的提示，上传一段或多段清晰的个人录音作为声音样本。为了保证克隆效果，请确保录音背景噪音小，人声清晰。
• 开始克隆：上传完成后，点击“开始克隆”按钮。系统后台会开始训练您的声音模型，这个过程可能需要一些时间。
• 使用克隆声音：克隆完成后，您新创建的声音会出现在文本转语音页面的声音选择列表中。选择它，就可以用您自己的声音来朗读任何文本了。

3. 管理订阅

• 查看套餐：在“订阅”或“账户设置”页面，您可以看到不同等级的订阅套餐，包括免费套餐、包月套餐等。
• 升级套餐：选择您想要的套餐，点击升级，页面会跳转到Stripe支付界面完成付款。成功后，您的账户字符配额和功能权限会自动更新。

应用场景

1. 内容创作为视频、播客或有声读物快速生成旁白。创作者无需自己录音，只需输入文稿，即可获得高质量的画外音，并能保持声音风格的一致性。
2. 个性化客户服务企业可以克隆品牌代言人或特定员工的声音，用于自动电话应答系统（IVR）或智能客服，为用户提供更具亲和力和品牌辨识度的服务体验。
3. 语言学习辅助语言学习者可以输入任意文本，并选择不同语言和口音的语音进行朗读，用于练习听力和模仿发音。平台支持超过50种语言，使其成为一个强大的学习工具。
4. 开发者集成开发者可以将VoiceCanvas部署为私有服务，并通过其API（需自行封装）为自己的应用程序提供语音合成功能，例如在新闻App中添加“收听文章”的功能。

QA

1. 这个项目是完全免费的吗？项目本身的代码是100%开源且免费的，您可以自由下载、修改和部署。但是，它依赖的第三方语音服务（如OpenAI TTS, AWS Polly）是收费的，您需要为这些服务的使用量向相应的提供商支付费用。
2. 我不是程序员，可以安装和使用吗？安装部署过程需要一定的技术背景，例如使用命令行、配置环境变量等。如果您不熟悉这些操作，可能会遇到困难。对于非技术用户，更适合使用已经部署好的成品网站，而不是自行安装。
3. 声音克隆对上传的音频有什么要求？为了达到最佳的克隆效果，建议上传清晰、无背景噪音、时长足够（通常建议几分钟以上）的单人录音。上传的音频质量直接决定了克隆声音的相似度和自然度。
4. 支持哪些语言？中文效果如何？该平台支持超过50种语言。对于中文，它专门集成了MiniMax语音服务，该服务对中文进行了优化，因此生成的中文语音在流畅度和自然度上表现通常会很好。