[反馈与教程] YouTube 视频：MegaTTS 本地部署 (含依赖项说明)、WebUI 演示与声音克隆流程解读

MegaTTS (字节跳动) 团队和社区的朋友们，大家好！

我对 MegaTTS 项目印象深刻，它在低资源占用下实现了高质量的 TTS 和声音克隆。为了方便其他用户上手，我制作了一个 YouTube 视频，详细记录了在本地 Ubuntu 环境部署和运行 MegaTTS 的完整过程，并演示了其 WebUI 的使用。视频中也特别讨论了项目在声音克隆方面的特殊流程。

视频链接在这里： [[https://youtu.be/FjxOfQJUV1Y](https://youtu.be/FjxOfQJUV1Y)]

视频核心内容概览：

(00:10) 项目介绍：MegaTTS 的 TTS 和声音克隆功能，初步提及克隆需官方协助。

(00:55) GitHub & Hugging Face 概览：展示项目仓库，提及关键特性（0.45B 模型、高质量克隆、中英文支持），查看模型下载方式和推理方法（CLI/WebUI）。

(02:28) 本地部署步骤 (Ubuntu)：

(02:44) 前置依赖： 强调需要预先安装特定系统组件（视频中展示为 ffmpeg 或类似音频处理库），这是运行克隆功能所必需的。

克隆项目仓库。创建并激活 Conda 环境。

(03:46) 依赖安装说明： 指出官方 requirements.txt 可能不完整。参考社区讨论 ([04:06] 提及 GitHub Discussion/Issue)，需要额外指定 Gradio 版本 才能确保 WebUI 正常工作。视频中展示了包含此修正的安装过程。

(04:52) 模型文件准备：提及从 Hugging Face 下载模型，并演示了将预下载的模型文件拷贝到项目指定目录。

(05:49) WebUI 代码查看：简要查看 web_demo.py，提及可自定义 IP 和端口。

(06:19) 启动 WebUI：

对比官方启动命令，解释了根据社区反馈和实践，通常需要明确指定模型和 speaker 检查点目录的路径。
成功启动 WebUI 服务。

(07:47) WebUI 演示与效果：

解释声音克隆需要提供参考音频 (WAV/MP3) 和对应的音色提示文件 (.npy)。

使用官方提供的示例音频和 .npy 文件进行演示（播放了“蔡徐坤”的参考音频）。

输入自定义文本。

执行推理，观察到模型加载快、资源占用低、生成速度快 ([09:18])。

播放生成的音频，验证了声音克隆效果非常出色、自然流畅 ([09:30])。

(09:47) 声音克隆流程深度解读：

详细解释了自定义声音克隆的流程：用户需准备参考音频 -> 发送给 MegaTTS 项目组 -> 项目组返回处理后的 .npy 音色文件 -> 用户结合自己的参考音频和收到的 .npy 文件在 WebUI 中进行推理。

引用了项目组在社区讨论中的解释 ([10:46])：这种限制是出于安全考虑，防止声音克隆技术的滥用和潜在的社会风险。

明确指出生成 .npy 文件所需的 克隆模型/代码部分并未开源。

Start with the linked YouTube tutorial and the mentioned requirements.txt and web_demo.py. The issue describes Ubuntu dependencies, Gradio setup, model paths, and the WebUI flow, but specifies no repository change or acceptance condition. Confirm what documentation contribution is wanted before proceeding.

Written by the indexing model from the issue text.