第9章 预置语音
第9章 预置语音
概述
预置语音无需录制音频样本，直接使用内置的现成语音。
部分 Voicebox 引擎自带一套精选的预置语音。你无需用自己的音频样本进行克隆，只需从固定目录中挑选一个语音，模型就会用它来发声。不用录音、不用上传、也不需要针对每个语音做训练。
0.4 版本中有两个引擎提供预置语音：
| 引擎 | 语音数 | 语言 | 优势 |
|---|---|---|---|
| Kokoro | 82 | 50 | 9 |
| Qwen CustomVoice | 9（精品精选） | 4 | 用自然语言控制语气、情感和语速 |
想克隆特定人物的嗓音？请参阅「语音克隆」。
何时使用预置语音
没有参考音频：你没有（或不想提供）目标嗓音的录音
生产环境可靠性：精选语音对任意文本输入都有稳定可预期的质量
速度快：省去音频清理、样本准备和质量反复调优的流程
轻量部署：Kokoro 约占 150 MB 磁盘空间，可在 CPU 上实时运行——无需 GPU
创建预置语音配置
与克隆配置使用同一入口：在引擎下拉框中选择 Kokoro 或 Qwen CustomVoice
该引擎的语音目录会出现——点击即可试听
给配置起个名字。无需音频样本——保存即可
像其他配置一样，在浮动生成框或 Generate 页面中使用
预置配置与其来源引擎绑定——切换引擎后无法使用，因为该语音只存在于那个模型中。当你切换到其他引擎时，配置网格会把预置配置置灰；点击某个预置配置时，引擎会自动切回正确的引擎。
Kokoro 82M — 覆盖 9 种语言的 50 个语音
Kokoro 是 Voicebox 中最小的引擎，只有 82M 参数。它能在 CPU 上实时运行，显存占用几乎为零，是轻量级本地推理的最佳选择。各语音是预先训练进模型的风格向量——不存在克隆的概念。
仓库：hexgrad/Kokoro-82M · Apache 2.0 许可
美式英语
| 女声 | 男声 |
|---|---|
| Alloy、Bella、Heart、Kore、Nicole、Nova、Sarah、Sky、Aoede、Jessica、Kore | Adam、Echo、Eric、Fenrir、Liam、Michael、Onyx、Puck、River、Santa |
英式英语
| 女声 | 男声 |
|---|---|
| Alice、Emma、Isabella、Lily | Daniel、Fable、George、Lewis |
其他语言
| 语言 | 语音 |
|---|---|
| 西班牙语 | Dora（女）、Alex（男）、Santa（男） |
| 法语 | Siwis（女） |
| 印地语 | Alpha（女）、Beta（女）、Omega（男）、Psi（男） |
| 意大利语 | Sara（女）、Nicola（男） |
| 日语 | Alpha（女）、Gongitsune（女）、Nezumi（女）、Tebukuro（女）、Kumo（男） |
| 葡萄牙语 | Dora（女）、Alex（男）、Santa（男） |
| 中文 | Xiaobei（女）、Xiaoni（女）、Xiaoxiao（女）、Xiaoyi（女） |
Kokoro 参数一览
| 属性 | 值 |
|---|---|
| 参数量 | 82M |
| 采样率 | 24 kHz |
| 显存占用 | 约 150 MB（CPU 下可忽略） |
| 速度 | CPU 实时，GPU 更快 |
| Instruct 指令 | 不支持（风格由预置语音承载） |
| 许可 | Apache 2.0 |
Qwen CustomVoice — 9 个支持 Instruct 控制的精品语音
Qwen CustomVoice 自带 9 个精选说话人，并支持自然语言风格控制——你告诉模型该怎么念（比如「放慢语速，温柔一点」「权威而清晰」），它会自动调整语气、情感和语速。
提供两种模型规格：
- 1.7B — 完整质量，推荐默认
- 0.6B — 更轻量、更快，适合低配硬件
仓库：Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice（以及 0.6B 版本）· 来自 Alibaba
语音目录
| 说话人 | 性别 | 语言 | 描述 |
|---|---|---|---|
| Vivian | 女 | 中文 | 明亮、略带锋芒的年轻女声 |
| Serena | 女 | 中文 | 温暖柔和的年轻女声 |
| Uncle Fu | 男 | 中文 | 低沉醇厚的成熟男声 |
| Dylan | 男 | 中文 | 清亮自然的北京青年男声 |
| Eric | 男 | 中文 | 活泼、略带沙哑亮色的成都男声 |
| Ryan | 男 | 英语 | 节奏感强烈的动态男声（默认） |
| Aiden | 男 | 英语 | 阳光的美式男声，中音清亮 |
| Ono Anna | 女 | 日语 | 俏皮的日本女声，音色轻盈灵动 |
| Sohee | 女 | 韩语 | 情感丰富的温暖韩语女声 |
使用 Instruct 模式
在浮动生成框中，切换到某个 Qwen CustomVoice 配置，点击演绎指令开关（生成按钮左侧的滑块图标）。主文本框下方会出现第二个输入框：
- 主文本 → 想让语音念的内容
- Instruct 文本 → 想要的演绎方式
有效的 instruct 提示词示例：
放慢语速、带强调，像读睡前故事一样
温暖友好，对话式语气
专业权威，广播级质感
耳语，亲密贴近
兴奋有活力，像体育解说
完整的 Generate 页面也会将 instruct 输入框作为独立字段展示。
Qwen CustomVoice 参数一览
| 属性 | 值 |
|---|---|
| 参数量 | 1.7B / 0.6B |
| 语言 | 中文、英语、日语、韩语（支持 10 种） |
| 语音 | 9 个精选预置说话人 |
| 显存占用 | 约 3.5 GB（1.7B）、约 1.2 GB（0.6B） |
| Instruct 指令 | 支持——自然语言风格控制 |
| 克隆 | 不支持——克隆由配套的 Base Qwen3-TTS 引擎负责 |
克隆与预置的快速选择
| 你想… | 使用 |
|---|---|
| 复刻特定人物的嗓音 | 语音克隆 |
| 无需音频准备、可直接投入生产的语音 | Kokoro 或 Qwen CustomVoice |
| 尽可能小的资源占用（仅 CPU） | Kokoro |
| 精细控制演绎方式（语气、语速、情感） | Qwen CustomVoice |
| 最广的语言覆盖 | 通过 Chatterbox Multilingual 进行语音克隆（23 种语言） |
局限性
预置语音是固定的——你无法微调或修改底层语音。如果目录里没有你想要的语音，请使用克隆引擎并提供参考样本。
- 预置语音无法以音频形式导出到其他 Voicebox 安装中（只能以配置元数据形式，指向相同的引擎和语音 ID）
- Kokoro 的语音目录由上游模型决定——只有 hexgrad 发布新模型时才会新增语音
- Qwen CustomVoice 的 9 个说话人内置于模型检查点中——同样的限制
下一步
语音克隆：用自己的音频克隆特定嗓音
语音生成：用配置生成音频
故事构建：创作多语音叙事
在 GitHub 上编辑本页
语音克隆：用几秒参考音频克隆任意嗓音
语音人设：为语音配置附加人设，生成贴合角色的全新台词，或以该嗓音风格改写输入文本——全部由本地 LLM 驱动。
