Seed-VC 是开源社区（Plachta）开发的零样本歌声转换与语音转换模型，支持将源歌唱音频的音色转换为参考音色的歌声，同时保留原歌声的旋律与节奏，并支持实时语音转换，算法延迟约 300ms。

核心特性

• 零样本歌声转换：无需任何训练，仅需 1~30 秒参考音频即可克隆目标音色，支持 F0 音高条件控制，保留原唱歌的旋律和音高走向
• 实时语音转换：支持约 300ms 算法延迟的实时变声，配合 VAD 模型避免静音段杂音输出，适用于在线会议、游戏和直播场景
• 多版本模型选择：提供 V1 系列（25M~200M 参数，涵盖实时/离线/歌声转换）和 V2 系列（ASTRAL 量化 + CFM + AR 架构，更好的源说话人特征抑制），用户可根据硬件条件灵活选择
• 低门槛微调：支持自定义数据快速微调，每位说话人仅需至少 1 条语音，最低 100 步即可完成训练（T4 上约 2 分钟），大幅提升特定说话人相似度

适用场景

歌声翻唱与音色转换、实时语音变声与直播互动、语音内容后期制作、游戏角色配音

更多信息可参考：https://plachtaa.github.io/seed-vc/