兄弟们，声音克隆这玩意儿之前还挺麻烦的吧？要录长时间样本、训练模型、等几小时才能用。现在好了——小红书开源了Dots TTS，3秒录音就能完美复刻你的声音，还能跨语言说英语、法语、韩语，连情绪都能迁移过去。最关键的是——免费！本地跑！6G显存就能玩！
这篇文章手把手教你从下载到实战，不需要任何编程基础。
准备工作
| 项目 | 要求 |
|---|---|
| 显卡 | NVIDIA 显卡，6GB 以上显存（推荐 8GB） |
| 系统 | Windows 10/11（有整合包，解压即用） |
| 硬盘 | 至少 10GB 空闲空间（模型文件约 5-8GB） |
| 网络 | 第一次运行需要下载模型，约 5-10 分钟 |
⚠️ 注意：如果你是 AMD 显卡或者只有核显，Dots TTS 目前只支持 NVIDIA CUDA，暂时用不了。不过你可以去官网搜一下有没有 CPU 版本更新。
第1步：下载 Dots TTS
官方代码托管在 GitHub 上，不过国内可能打不开。别急——作者已经贴心地做了整合包，Windows 直接解压就能用。
官方项目地址 👉 https://github.com/dots-tts/dots-tts
下载方法：
打开上面 GitHub 页面 → 找到 Releases 区域 → 下载最新版本的 Windows 整合包（点那个写着 DotsTTS_Windows_vX.X.zip 的文件）
⚠️ 如果 GitHub 打不开，直接百度搜索 “Dots TTS 整合包” 或 “小红书 TTS 下载”，各大论坛和博客都有热心网友分享的网盘链接。
整合包里有什么
下载解压后，你会看到两个启动脚本：
- start_soar.bat — SOAR 模型版本，16步推理，音色更准（推荐首选）
- start_mf.bat — 蒸馏模型版本，4步推理，速度更快
两个版本显存占用差不多都是 6GB 左右。建议第一次先用 SOAR 版本，音质更好。
第2步：启动 Dots TTS
双击 start_soar.bat，第一次运行会自动下载模型文件（约 5-8GB），耗时取决于你的网速。
⚠️ 注意：国内用户第一次下载模型时，建议提前开好代理的全局模式，否则下载可能会非常慢。如果没条件挂代理，可以等一会儿——它支持断点续传，下次启动会接着下。
等命令窗口所有步骤加载完成，它会自动弹出浏览器打开 Web UI 界面，地址通常是 http://127.0.0.1:7860。
验证：浏览器里能看到一个简洁的网页界面，有上传区域和生成按钮，说明启动成功。
第3步：第一次语音克隆——跨语言音色迁移
这是 Dots TTS 最牛的功能——只凭几秒录音，就能让你的声音说外语。
操作步骤：
- 准备一段参考音频（3-10秒的人声录音，越干净越好，不要有背景音乐）
- 在 Web UI “参考音频”区域，点击上传你的音频文件（支持 mp3、wav、m4a 格式）
- 在 “参考音频文本” 框里填上音频里说的话（不填也行，但填了效果更好）
- 在 “合成内容” 框里输入你要生成的话，可以写中文、英文、日文、韩文——什么语言都行
- 点击 “生成” 按钮，等几秒就能听到结果
# 一次生成四种语言示范 合成内容框分别输入： The weather is nice today. # 英语 Il fait un temps assez doux. # 法语 No tenemos clase esta tarde. # 西班牙语 오늘 날씨가 정말 좋네요. # 韩语
一个参考音频，四种语言——这就是零样本跨语言克隆。Dots TTS 直接输出 48K 高保真音频，几乎听不到电子音，效果非常震撼。
参数调优：让情绪更强烈
如果你想生成的语音情绪更强烈（更愤怒、更兴奋、更悲伤），可以点开界面里的 “参数设置”：
- CFG 参数：默认 1.2，可以往上调到 1.5 或 1.6，语气会更明显
- 注意：数值别超过 2.0，否则可能会出现电音（那种机器人的嘶嘶声）
第4步：情绪迁移——同样的台词，不同的味道
这是 Dots TTS 真正让人惊艳的地方。你换一段不同情绪的参考音频，生成的语音也会带上那种情绪。
实操方法：
- 准备三段不同情绪的参考音频：
– 平常语气（正常说话）
– 疑问/惊讶语气
– 愤怒/伤心语气 - 保持合成文本不变（比如都用”如果必须有人承担后果，那为什么一定是他”）
- 每次切换参考音频，点生成
你会发现三段的语速、语气、停顿位置都不一样——情绪真的迁移过去了。大部分时候只需要 10 秒的参考音频就能完美复刻语气。
第5步：保存常用参考音频（超实用）
如果你经常用某些参考音频（比如不同情绪的音频），每次上传太麻烦。Dots TTS 支持预设功能：
- 打开 Dots TTS 的安装目录，找到
references/文件夹 - 把你常用的参考音频文件（比如
平常.wav、愤怒.wav）复制进去 - 用记事本打开同一目录下的
prompt_text.txt文件 - 每行写一个配置：
文件名|音频对应的文本内容
# prompt_text.txt 示例 平常.wav|今天天气真好，我们出去玩吧 愤怒.wav|你到底想怎么样？我已经受够了！ 疑问.wav|真的假的？你说的这个靠谱吗？
- 保存文件，重启 Web UI
- 界面上就会多一个下拉菜单，可以直接选参考音频了
第6步：进阶玩法——接入大模型实时朗读
这是 Dots TTS 最有意思的玩法——让它和本地 AI 模型联动，做成自己的实时语音助手。
作者在 GitHub 上提供了配套脚本，可以接：
- 本地 Ollama（如 Qwen2.5-1.5B 小模型）
- 云端 API（如 DeepSeek，填上 API Key 即可）
本地 Ollama 模式：
- 先装好 Ollama（官网下载，双击安装就行）
- 在 Ollama 里拉一个模型，比如
ollama pull qwen2.5:1.5b - 下载 Dots TTS 配套的对话脚本
- 双击运行脚本，直接在命令行里和模型聊天
- Dots TTS 会实时朗读模型的回复——就像真人对话一样
注意：同时跑两个模型（Ollama + Dots TTS）显卡会有点吃力，所以本地建议用 1.5B 的小模型。如果接云端 API（DeepSeek 之类），显存只跑 Dots TTS 就够用了，朗读基本没延迟。
# 接云端 DeepSeek 的脚本用法 # 填上你的 DeepSeek API Key # 指定参考音频路径 python dots_chat.py --api_key sk-xxxx --ref_audio 平常.wav
这个脚本地一次启动会现场编译推理加速代码，大约需要 5 分钟。之后启动就快了。
使用技巧与注意事项
1. 克隆方言
Dots TTS 支持方言克隆——上传一段方言的参考音频就行。比如粤语、四川话、北京话、东北方言都可以。实测粤语效果最好，其他方言口音偏轻。如果对方言要求高，可以看看我们之前写的 VoxCPM 教程，那个方言支持更多。
2. 标点符号很重要
这个模型对标点很敏感——没有独立的停顿标签，但靠标点来控制节奏：
- 逗号（,）：短暂停顿
- 句号（。）：正常停顿
- 省略号（……）：长停顿，效果非常明显
- 问号/感叹号：改变语调
3. 多音字处理
遇到多音字可以用带声调的拼音：
# 正确示范 他生平不 hào 交际，唯独 hào 喝酒烫头。 （用拼音标注读音）
4. 数字和符号
直接写数字（如 “876”、”1,248.5″）大部分情况下读不准。建议直接用汉字写出来：
# 推荐 今天是二零二六年六月二十一日，温度三十六摄氏度。 # 不推荐 今天是2026年6月21日，温度36摄氏度。
常见问题
Q：启动后网页打不开怎么办？
A：检查命令窗口是否还在运行（关了就没了）。第一次启动要下载模型，等”所有步骤加载完成”后，它会自动弹出浏览器。如果没弹，手动访问 http://127.0.0.1:7860。
Q：显存不够 6GB 能跑吗？
A：试一下蒸馏版（start_mf.bat），显存占用会低一些。如果还不行……老实说，这工具对显卡有硬门槛，6GB 以下是真跑不动。
Q：生成的语音有电音/嘶嘶声怎么办？
A：把 CFG 参数调低到 1.2 以下试试。CFG 过高（超过 2.0）会导致电音。
Q：能不能商用？
A：Dots TTS 是开源项目，具体要看它的开源协议。建议去 GitHub 看 LICENSE 文件确认。如果是非商用场景（自己玩、做视频配音、学习研究）完全没问题。
总结
Dots TTS 是目前开源语音克隆里效果最惊艳的工具之一。3 秒复刻音色、跨语言克隆、情绪迁移、实时朗读——这些功能放在一年前还是大公司的专利，现在一张 6G 显存的显卡就能跑。
如果你要的是长文本合成（比如有声书），效率可能不是最优的。但如果你要的是高质量音色克隆、情绪丰富的配音、多语言输出——Dots TTS 值得你花时间折腾一下。
最适合的场景：影视混剪配音、短剧对口型、AI 实时语音助手。