快速上手

五分钟玩转 Voicebox

本指南将带你创建第一个声音档案并生成语音。

前置条件

确保你已安装 Voicebox 并启动应用。

第 1 步：创建声音档案

声音档案是 Voicebox 的基础，每个档案包含供 AI 克隆声音的语音样本。

1. 点击侧边栏的 Voices 标签页 2. 点击 + New Voice 按钮 3. 填写信息： - Name：描述性名称（如 "John Smith"） - Language：选择主要语言 - Description：关于该声音的备注（可选）

接下来有两种方式可选：

方式 A：上传音频 1. 点击 Upload Sample 2. 选择音频文件（支持 WAV、MP3 或 M4A） 3. 理想时长：10-30 秒清晰的语音

方式 B：现场录制 1. 点击 Record Sample 2. 清晰朗读 10-30 秒 3. 完成后点击停止

4. 点击 Create Profile 保存

想要最佳效果，请使用背景噪音少、语调一致的干净音频。

第 2 步：生成语音

现在用刚创建的声音档案来生成语音。

1. 点击侧边栏的 Generate 标签页 2. 在下拉菜单中选择刚创建的档案 3. 输入或粘贴要生成的文本，例如：

> Hello! This is my first voice generation with Voicebox.

注意：[laugh]、[sigh]、[gasp] 等副语言标签仅在 Chatterbox Turbo 中有效。Qwen3-TTS、LuxTTS、Chatterbox Multilingual 和 HumeAI TADA 会把这些标签当作普通文本读出来，而不会转换成相应的语气声。

要插入受支持的标签，请选择 Chatterbox Turbo，然后在文本框中输入 / 打开标签插入器。

4. 点击 Generate 并等待几秒

首次生成可能较慢，因为模型需要初始化，之后的生成会更快。

5. 点击 Play 试听 6. 点击 Download 保存音频文件

生成结果也会自动保存到 History（历史记录）中。

第 3 步：制作故事（可选）

Stories Editor（故事编辑器）提供基于时间轴的界面，可以制作多角色配音叙事。

1. 进入 Stories，点击 + New Story 2. 点击 + Add Track 为不同说话人创建音轨 3. 从 History 拖入已生成的音频，或直接在时间轴上生成新片段 4. 在时间轴上编排片段： - 拖动边缘裁剪片段 - 调整时间与间距 5. 点击 Export 渲染最终音频

接下来做什么？

声音克隆指南：学习高质量声音克隆的进阶技巧

API 集成：把 Voicebox 集成到你自己的应用中

Stories Editor：掌握多轨时间轴编辑器

Remote Mode：连接 GPU 服务器，加速生成

实用技巧

▶ 获得最佳音质 - 使用 10-30 秒清晰、语调一致的语音 - 避免背景噪音和回声 - 同一说话人的多个样本可提升质量 - 样本的说话风格要贴近你想生成的效果

▶ 提升生成速度 - 使用支持 CUDA 的 GPU，速度可提升 5-10 倍 - 重复生成时开启语音提示缓存 - 考虑把后端部署到远程 GPU 服务器

▶ 常见问题排查 - 服务器无法启动：检查 17493 端口是否被占用 - 音质不佳：尝试添加更多语音样本 - 生成缓慢：确认 GPU 加速已启用

更多内容请参阅完整的故障排查指南。

在 GitHub 上编辑

Docker 部署：使用 Docker 将 Voicebox 作为无头服务器运行，并附带 Web UI

GPU 加速：Voicebox 如何使用你的 GPU——自动检测、手动配置、问题排查