第16章 创建语音配置

概述 语音配置是一份可跨生成、故事及 API 复用的已保存语音。自 0.4 版本起，Voicebox 提供两种配置类型，对应不同的获取语音的方式：

| 配置类型 | 存储内容 | 适用场景 | | :--- | :--- | :--- | | 克隆型 | 一个或多个参考音频样本 + 语音嵌入 | 需要复刻特定人物的声音 | | 预设型 | 特定引擎中预构建语音的引用 | 需要精选、即开即用的语音，无需处理音频 |

两种类型均位于同一配置标签页，生成时的行为也一致——只需选择匹配目标的类型，并按下文流程操作即可。

不确定选哪种？克隆型能获取特定声音，但需要高质量音频；预设型提供声音良好即可用的选项，但你无法选择声音的归属。

流程 A — 克隆型配置 当你希望从录音中复刻特定人物的声音时使用此流程。 需要 10-30 秒的清晰语音，背景噪音极少。引擎列表请参见语音克隆。 1. 在配置中点击新增配置，选择克隆引擎（Qwen3-TTS、Chatterbox Multilingual、Chatterbox Turbo、LuxTTS 或 TADA） 2. 拖入音频文件，或直接在应用内录音 3. 使用该配置生成测试短语，若质量不佳请增加样本

克隆型音频要求 | 参数 | 要求 | 说明 | | :--- | :--- | :--- | | 时长 | 10-30 秒 | 太短导致质量差，太长则不必要 | | 清晰度 | 清晰语音 | 无背景噪音、音乐或重叠人声 | | 质量 | 高保真 | 采样率 44.1 kHz 或 48 kHz，最小化压缩 | | 内容 | 自然语音 | 会话式语调、完整句子 |

文件格式 支持格式： WAV（推荐）— 无损质量 MP3 — 可接受，最小压缩 M4A — 可接受 FLAC — 无损替代方案 为获得最佳效果请使用 WAV，避免使用高压缩格式。

录音技巧 ▶ 安静环境 在安静的房间录音 关闭风扇、空调及电器 关窗以减少室外噪音 使用软装饰品减少回声 ▶ 麦克风摆放 距离嘴部 6-12 英寸 稍微倾斜以减少爆破音（p、b、t） 如有条件使用防喷罩 保持距离一致 ▶ 录音设置 采样率 44.1 kHz 或 48 kHz 位深 16-bit 或 24-bit 单声道即可（立体声会被转换） 避免自动增益控制

演讲风格 语速自然 — 不急促也不缓慢 发音清晰 — 咬字清楚 音量一致 — 保持响度平稳 语调正常 — 自然表达 句子完整 — 避免片段或“嗯”

多样本 添加多个样本可显著提升质量： 鲁棒性 — 模型学到更完整的表征 适应性 — 更好地处理不同演讲风格 质量 — 减少伪影并提升自然度 一致性 — 在不同文本中更可靠 建议添加样本包含： 不同语调 — 随意、正式、兴奋、平静 不同内容 — 叙述、提问、陈述 不同录音条件 — 录音室质量、房间声学 所有样本应来自同一说话人，混合不同人声将导致效果差。

处理现有音频 如果已有音频（如播客、视频）： 寻找仅含目标说话人、无背景音乐、噪音极少的片段 使用 Audacity 或 Adobe Audition 等工具：剪辑干净的 10-30 秒片段，去除首尾静音，标准化音量 保存为高质量 WAV 文件 针对轻微背景噪音，使用 Audacity 的降噪功能（温和设置——过度处理会引入伪影）。

测试与迭代 创建克隆配置后： 尝试简单短语：“你好，这是我的语音配置测试。” 聆听语调是否自然、发音是否清晰、韵律是否恰当、有无伪影 若质量差：增加样本、尝试不同源音频、检查样本质量

常见问题 ▶ 声音机械 原因：样本质量差或太短 解决：使用更长、更高品质的样本 ▶ 语调错误 原因：样本语调与期望输出不符 解决：按期望生成的风格录制样本 ▶ 伪影/故障 原因：样本有背景噪音或音频问题 解决：清理样本或在更安静环境重录

流程 B — 预设型配置 当你想要现成语音且无需录音时使用此流程。可用引擎：Kokoro 82M（50 种语音）和 Qwen CustomVoice（9 种语音）。完整目录请参见预设语音。 1. 在配置中点击新增配置，选择 Kokoro 或 Qwen CustomVoice 作为引擎 2. 出现该引擎的语音目录，点击任意语音进行预览 3. 为配置命名，无需提供音频样本 4. 配置立即可用——在浮动生成框或生成页中使用 预设配置锁定于源引擎。在浮动生成框中切换引擎后，该配置会置灰，因为语音仅存在于该引擎中。点击置灰配置会自动切回引擎。

Qwen CustomVoice 与指令 Qwen CustomVoice 预设语音支持指令传递——通过自然语言控制语调、节奏和情感。选择 Qwen CustomVoice 配置时，浮动生成框中生成按钮旁会出现滑块图标；点击以显示指令文本区。 示例请参见预设语音 → 使用指令模式。

高级技巧 名人/角色声音（克隆） 克隆公众人物或角色时： 法律考量 — 确保拥有版权或明确属于合理使用 源质量 — 寻找高质量采访音频或干净片段 一致性 — 使用说话风格相似的片段 多样本 — 对可识别声音至关重要 口音与方言（克隆） 克隆模型保留口音和方言： 英式英语样本生成英式英语输出 南方口音样本产生南方口音输出 保留地区性发音 情感传递（克隆） 样本的情感语调影响生成： 有活力的样本 → 有活力的输出 平静的样本 → 平静的输出 混合样本以获得更通用的配置 对于 Qwen CustomVoice 预设，使用指令字段而非依赖样本情感——这正是其控制的内容。

管理配置 组织 描述性命名 — “John Smith - 专业旁白” 添加描述 — 注明录音条件、用例或预设语音 语言标签 — 标记主要语言 归档未用 — 保持配置列表简洁 导出/导入 导出配置以分享或备份 从同事或团队成员处导入 克隆配置导出包含语音嵌入（而非原始音频） 预设配置仅导出引擎 + 语音 ID 元数据 — 导入者需已安装该引擎模型

后续步骤 语音克隆：克隆引擎目录及最佳实践 预设语音：Kokoro 和 Qwen CustomVoice 完整语音目录 生成语音：使用配置生成语音 构建故事：创建多人声叙事 在 GitHub 上编辑 远程模式：连接 GPU 服务器以加速生成 生成语音：从文本生成高质量语音