核心用法
FlowVoice 是一款基于 LuxTTS（ZipVoice 架构）的本地语音克隆工具，允许用户通过 3-30 秒的音频样本克隆任意人声，并生成高质量语音输出。其核心工作流分为三步：
1. 语音克隆：clone.py 从音频样本提取声纹特征，保存为 .pkl 配置文件
2. 语音生成：speak.py 调用已保存的配置文件，将文本转换为语音（48kHz WAV）
3. 视频合成：可选通过 ffmpeg 将生成的语音直接嵌入视频
支持一键式 flow_voice.py 脚本，实现"克隆+生成"单次完成。提供语速调节（--speed）、平滑降噪（--smooth）、推理步数控制（--steps）等高级参数。
显著优点
- 完全本地化：无需 API Key，无云端依赖，零使用成本
- 硬件友好：1GB VRAM 即可运行，支持 CPU 和 Apple Silicon MPS（自动检测）
- 极速推理：150倍实时速度，生成长文本几乎无等待
- 输出质量高：48kHz 采样率，支持
--smooth参数消除金属感伪影 - 工作流整合：原生支持视频配音，可直接为动画添加语音旁白
潜在缺点与局限性
- 样本质量敏感：需要干净、无背景音乐的音频，嘈杂样本会显著降低克隆效果
- 最低时长要求：至少 3 秒有效音频，10-30 秒才能达到理想效果
- 首次启动延迟：需下载约 200MB 模型文件至 HuggingFace 缓存
- 中文支持存疑：LuxTTS 基于英文数据集训练，中文语音合成效果未经明确验证
- 伦理风险：缺乏内置的声纹水印或来源验证机制
适合人群
- 需要为视频、动画快速生成旁白的创作者
- 注重隐私、拒绝云端语音服务的用户
- Apple Silicon 用户（MPS 加速优化良好）
- 低配置设备用户（CPU 模式可运行）
常规风险
- 深度伪造滥用：技术门槛低，可能被用于生成虚假音频内容
- 版权与肖像权：克隆他人声音可能涉及法律风险，需获得明确授权
- 模型来源：依赖社区维护的 LuxTTS，长期更新和支持稳定性不确定
- 输出目录权限：默认写入
~/clawd/output/voice/，需确保路径权限正确