目前我使用别人的整合包，都是没有API功能，要么就是整合包的调用响应不稳定，我需要响应快速一些的，最好小于1秒的，我查看很多AI直播数字人的都是可以上传一个.pt文件。
但是我始终没有找到这个方案，我使用了阿里的cosyvoice2与GPT-SoVITS发现都是一样，单音频生成没有问题，就是只能界面使用克隆声音，不能像AI一样创建模型，然后给到程序使用。
我想大佬有知道怎么可以处理吗？由于使用到的是克隆声音，并非简单的tts模型，这个方面接触的少，搜索关键词也没有搜索到，基本都是整合包，要么就是官网的代码，并且响应慢，需要在代码运行，一个包就7G-10G，很占用内存。
