Tts Voice Synthesis

模式二：音色克隆

1. 准备参考音频

   • 提供目标音色的参考音频文件（3-30 秒，清晰语音）
   • 确保参考音频无背景噪音、音质清晰

2. 提取音色特征

   • 调用 scripts/voice_clone.py 提取音色特征
   • 保存为可复用的音色模型

3. 使用克隆音色

   • 使用提取的音色模型生成语音
   • 可应用于不同文本的配音

模式三：流式实时配音

1. 文本分段

   • 将长文本分段处理（智能体自动完成）
   • 确保分段自然，不会截断语义

2. 流式生成

   • 调用 scripts/tts_generate.py 启用流式模式
   • 逐步生成并输出音频片段

3. 实时合并

   • 将生成的音频片段实时合并
   • 输出完整的配音文件

模式四：情感适配配音

1. 文本情绪分析

   • 智能体分析文本的情绪倾向（高兴、悲伤、愤怒、平静等）
   • 识别关键情感词和语气

2. 语音参数调整

   • 根据情绪自动调整：
     • 语速（悲伤时放慢，兴奋时加快）
     • 音调（悲伤时降低，兴奋时提高）
     • 音量（根据情感强度调整）

3. 生成验证

   • 生成情感化语音
   • 验证情感表达是否准确

资源索引

• 核心脚本：
  • scripts/tts_generate.py（TTS 语音生成）
  • scripts/voice_clone.py（音色克隆）
• 参考文档：
  • references/model_config.md（模型配置和选择指南）
  • references/emotion_guide.md（情感标注和适配指南）
  • references/usage_examples.md（使用示例）

注意事项

• 模型选择：
  • 1.7B 模型：音质更高，适合高质量配音、有声书等场景
  • 0.6B 模型：速度更快，适合实时交互、智能客服等场景
• 音色克隆：
  • 参考音频应清晰、无背景噪音
  • 时长建议 5-15 秒，最短不少于 3 秒
  • 单人语音效果最佳，避免多人混合音频
• 流式生成：
  • 适合长文本和实时交互场景
  • 会产生多个临时音频片段
• 情感适配：
  • 文本情绪分析由智能体完成
  • 最终效果取决于情感标注的准确性
  • 可手动调整语音参数进行微调

使用示例

• 基础语音合成：

  python scripts/tts_generate.py \
    --text "你好，欢迎使用语音合成服务" \
    --output_path ./output/hello.wav \
    --model_size 1.7B \
    --voice default
  

• 音色克隆：

  python scripts/voice_clone.py \
    --reference_audio ./reference.wav \
    --voice_name my_voice \
    --output_dir ./voices
  

• 情感化配音：

  python scripts/tts_generate.py \
    --text "今天真是太开心了！" \
    --output_path ./output/happy.wav \
    --emotion happy \
    --speed 1.2 \
    --pitch 1.1
  

• 流式生成：

  python scripts/tts_generate.py \
    --text_file ./long_text.txt \
    --output_path ./output/stream_output.wav \
    --streaming true