WeClone

WeClone 是一个面向个人用户的开源项目，思路是拿微信聊天记录和语音样本去微调大语言模型，再配合语音合成，训练出一个说话习惯、语气和口头禅都接近本人的数字分身。它并非开箱即用的聊天软件，而是一套需要自己动手跑起来的工具链，从记录提取、数据清洗到模型微调、声音克隆，每一步都有对应的命令和配置。项目默认以 ChatGLM3-6B 作为基础模型，训练完成后还能接到微信、QQ、Telegram、企微、飞书等平台，变成能自动应答的机器人。

• WeClone 官网入口：https://www.weclone.love/

训练数据准备

• 记录提取：通常先用 PyWxDump 把微信聊天记录导出为 CSV，放进项目指定的目录。
• 清洗过滤：执行项目自带的数据集制作命令处理 CSV，可设置关键词过滤掉敏感内容。
• 质量打分：借助大语言模型给对话打分，把匹配度不高的片段挑出来剔除。
• 隐私处理：项目自带禁用词库，并对敏感信息做默认去除，减少训练数据里的个人信息残留。

语音克隆方案

• 两条路线：提供 Spark-TTS 和 Llasa 两种方案，可按显卡条件选择。
• 低配可用：Spark-TTS 是推荐项，0.5B 模型约需 4GB 显存，支持最长 15 秒的微信语音输入。
• 规格可选：Llasa 分 1B（约 9GB 显存）和 3B（约 16GB 显存）两档，适合硬件更宽裕的用户。
• 声纹接近：按项目说明，克隆出的语音与原始声纹相似度可达 95% 左右。

部署方式

• 机器人接入：通过 AstrBot 框架把微调后的模型接到微信、Telegram 等平台，实现实时自动交互。
• 显存跨度：需求从 4GB 到 120GB 不等，取决于模型大小与精度，16GB 显存的普通电脑即可起步。
• 环境搭建：建议用 uv 创建 Python 环境并安装依赖，音频克隆部分需要额外配置。
• 模块独立：各功能模块可以拆开单独使用，便于按需定制和二次开发。

需要提醒的是，WeClone 目前仍处于快速迭代阶段，最终效果受数据量和数据质量影响明显，官方也反复强调只能用于合法合规的场景，禁止窃取隐私或做非法测试，不良后果由使用者自行承担。后续规划里还提到要引入 RAG 检索增强、支持知识库接入，并补充图像、视频等多模态能力。它更适合愿意折腾命令行、对自己的聊天记录有整理意愿的人，把它当作数字分身方向的一个可上手实践来观察。