VoiceStudio语音工作台：语音合成、声音克隆与音频后期实践

1. VoiceStudio 到底是个什么东西语音工作台和散装脚本的根本差别先把话说透VoiceStudio 这类工具本质上不是一个软件而是把语音合成、声音克隆、转写、音频后期这几条原本各自为战的流水线塞进同一个桌面工作台里。我最早接触语音合成的时候手上是一堆互不认识的脚本一个负责文本切分一个负责跑模型一个负责对齐还有一个负责降噪。每换一次音频素材就得从头把这些脚本的路径、参数、采样率手动对一遍。那段时间我最大的感受是模型效果其实不差真正拖垮效率的是接线这件事。VoiceStudio 解决的就是接线问题。它把输入文本、参考音频、声学模型、声码器、后处理效果器、导出格式这些东西做成了一条可视的链路你在界面上改一个参数整条链路跟着生效而不是回头去改四个文件再重跑一遍。对个人创作者来说这意味着原本需要半天才能跑完的一集有声书可能压到一两个小时对做内容批量的团队来说这意味着你的产出可以从能听稳定在能用。它适合谁用三类人最直接受益一是做有声书、课程配音、短视频解说这类需要大量人声内容的创作者二是想把统一音色固化下来的小型工作室三是对语音技术本身好奇、想拆开看看内部结构的技术爱好者。反过来说如果你只是偶尔需要把一段文字念出来用系统自带的朗读功能就够了装一套工作台反而是在给自己找活干。1.1 从能跑通到能交付中间隔着一条工程化的鸿沟很多人第一次跑语音模型兴奋点都在它真的会说话了。但真到了要交付一集二十分钟的音频问题就全冒出来了段落之间的停顿忽长忽短数字和英文读得乱七八糟长句跑到后半段音色会飘导出后发现有轻微的电流底噪。这些问题没有一个是模型本身的锅全是工程细节没管好。VoiceStudio 的价值恰恰在于它把这些细节做成了可配置项。举个很具体的例子停顿。裸跑模型时句号、逗号、换行在模型眼里差别不大生成的停顿基本靠猜。而工作台里通常会有独立的韵律处理环节你可以把标点映射成具体的静音时长比如逗号 180 毫秒、句号 420 毫秒、段落之间 900 毫秒导出的东西听起来立刻就从机器念稿变成了有人在读。我个人的经验是判断一个语音工作台好不好用不要看它内置了多少个模型而要看它有没有给你改中间产物的口子。文本前端的结果能不能导出音素对齐的时间戳能不能看到后处理链能不能插入自己的效果器能改中间产物的工具才值得长期用只能一把梭输入输出、中间是个黑箱的遇到问题只能干瞪眼。1.2 四类核心需求决定了工作台的四个功能区把市面上创作者对语音工具的需求归归类其实就四件事而 VoiceStudio 的界面布局基本也是按这四件事切的。第一类是合成给文本、给音色出音频。这是最基础的功能也是大多数人装它的原因。第二类是克隆拿几十秒到几分钟的干净人声复刻出一个可复用的音色档案。第三类是转写与对齐反过来把音频变成文字加时间戳用于做字幕、做素材切分。第四类是后期响度统一、降噪、限幅、格式转换。这四类需求有个隐藏的依赖关系克隆出来的音色是合成模块的输入转写对齐的结果可以反过来优化韵律后期则是所有产出的最后一公里。搞不清这个依赖顺序就会出现那种我先把音频合成出来再说然后发现音色没定、格式没对、响度不统一最后全部返工的窘境。所以我的建议是任何一集内容开工之前先把顺序定死先定音色克隆或选内置→ 再定文本规范数字、英文、缩写怎么读→ 然后合成 → 接着对齐检查 → 最后统一走后期。这条顺序看起来啰嗦但它能把你返工的概率砍掉一大半。2. 拆开 VoiceStudio 的四层骨架从一行文本到一段可交付音频想把这套工具用明白光会点按钮是不够的。你得大致知道从你敲下那行字到最后导出的音频文件中间到底发生了什么。我把这条链路拆成四层从上到下分别是文本前端、声学模型与声码器、后处理链、资源调度。这四层里出问题频率最高的是第一层和第四层而大家最容易忽视的也是这两层。2.1 文本前端被九成新手忽略的第一道工序文本前端干的事情是把给人看的文字翻译成给模型看的音素序列。这中间的坑多得离谱。中文里行有 háng 和 xíng 两个读音重有 zhòng 和 chóng多音字如果靠规则硬切十条里能错两三条。数字更麻烦2024年要读成二零二四年还是两千零二十四年3.5%要读成百分之三点五这些如果不在前端处理好模型读出来就是灾难。英文缩写是另一个重灾区。像 API、SDK 这类缩写直接喂给模型它可能会一个字母一个字母地念也可能直接卡住。工业界的常见做法是在前端建一张替换表把需要特殊处理的词提前转写。这个表不用很大我自己的项目里积累了大概两百多条覆盖了九成的日常场景。# 一个简单的文本规整配置示例YAML normalize: numbers_to_chinese: true percent_pattern: 百分之{value} abbreviations: API: A P I ROI: 投资回报率 polyphone_fix: 重: [重要:zhong4, 重复:chong2] pause_map: : 180 。: 420 \\n: 900提示文本规整表一定要做成独立文件不要硬编码在脚本里。内容量一大你会需要反复查改独立文件方便版本管理和复用。还有一点特别容易被忽略破折号、省略号、括号注释。这些符号在书面语里很常见但在语音里没有直接对应物。省略号处理成 600 毫秒左右的渐弱停顿效果最好破折号可以直接换成逗号级别的短停顿括号里的补充说明如果太短建议干脆删掉念出来只会让人觉得啰嗦。2.2 声学模型与声码器声音的骨和皮这一层是技术核心但用起来反而不复杂。你可以这样理解声学模型负责决定这句话该有什么样的音高曲线、节奏、音色特征它输出的是一个中间的声学特征常见的是梅尔频谱声码器负责把这些特征还原成真正的波形。前者决定像不像、顺不顺后者决定干不干净、有没有电子味。这就是为什么不同的声学模型配同一个声码器出来的效果差异很大而同一个声学模型换声码器音色基本不变但清晰度会变。我实测下来的感受是如果音色整体不对劲去调声学模型和参考音频如果是音色对了但听着有点糊、有点沙那问题多半在声码器或者后处理环节跟参考音频没关系别在那里瞎折腾。零样本克隆也就是常说的 few-shot 克隆之所以能用几秒钟音频就复刻音色靠的是声学模型里的说话人编码器。它把参考音频压缩成一个几百维的向量这个向量就是你音色的身份证。这里有个非常实用的推论参考音频的质量上限直接决定音色上限。后面第 4 章我会专门展开讲怎么录这段音频。2.3 后处理链让合成音褪掉电子味的关键一段刚合成出来的音频直接听往往有几个特征高频偏硬、整体响度偏低、句首句尾有轻微的咔哒声、长音处有细微的抖动。这些都不是模型缺陷是数字信号处理的常规问题靠一条后处理链就能解决八九成。我常用的后处理顺序是这样的顺序不能乱去咔哒先处理波形上的瞬时跳变否则后面的压缩会把咔哒声放大。高通滤波切掉 60 赫兹以下的低频主要是消除直流偏移和桌面震动带来的嗡嗡声。轻度均衡在 3 到 5 千赫兹之间做一点轻微衰减能把齿音刺耳压下去。注意是轻微超过 3 分贝就会显得发闷。压缩把动态范围收一收让轻读的地方也听得清。压缩比 2:1 到 3:1 之间比较自然。响度归一化这一步千万别放在压缩前面顺序错了会白干。限幅设一个 -1 分贝的真峰值上限防止导出后爆音。注意每一步都留 0.5 分贝的余量不要一步到位。音频处理是叠加的每一步都刚好合起来就会过头。响度这块有个行业惯例值得记住面向播客和有声书的内容整体响度落在 -16 LUFS 附近比较稳妥面向视频平台-14 LUFS 更合适。这两个数不是硬标准但你按它来跟别人的内容放在一起播放时就不会出现前一条震耳、后一条听不清的尴尬。2.4 资源调度显存、缓存和批处理决定你能跑多快这一层最不性感但直接影响你一天能干多少活。语音模型对显存的需求主要跟批处理长度有关一次喂进去的音频越长、条数越多显存占用就越高。很多人卡在跑三句就崩原因就是批处理开太大。我的经验值是中等规模的模型单条 15 秒以内的音频、批大小设成 48GB 显存基本够用如果要一次处理 30 秒以上的长句批大小调到 2 甚至 1 会更稳。速度上批大小从 1 提到 4吞吐量大概能提升一倍多再往上收益就明显递减了因为显存搬运成了瓶颈。缓存是另一个关键点。音色向量这种东西一旦从参考音频提取出来就不该重复计算。好的工作台会把它持久化到本地第二次用同一个音色时直接读缓存。如果你发现自己每换一段文字都要重新分析参考音频那说明缓存没生效值得去配置里翻一翻。参数建议值8GB 显存建议值16GB 显存影响批大小2 - 46 - 10吞吐量、显存占用单条最大长度15 秒30 秒长句稳定性音色向量缓存开启开启二次生成速度推理精度半精度半精度或单精度速度与细节质感半精度是个很划算的选择。速度大约能快三到五成显存省将近一半音质上的差别普通听众基本听不出来。只有在做最终母版的时候我才会切回单精度再跑一遍图个心安。3. 环境搭建与首次跑通文档里不会写的那些细节装环境这一步是新手弃坑率最高的地方。不是因为难而是因为失败时的报错信息往往指向不明你不知道是缺依赖、版本不匹配还是显卡驱动的问题。我把自己和身边人踩过的典型情况整理一遍按这个顺序走能少走很多弯路。3.1 硬件与运行时先把底座选对显卡方面8GB 显存是能用的门槛16GB 会舒服很多。如果只有核显也不是完全跑不了但推理速度会慢到让人失去耐心通常只适合做小段落测试。内存建议 32GB 起步因为在加载模型权重、做音频缓冲的时候内存往往是隐藏的瓶颈——很多人只盯着显存结果发现卡在内存交换上。运行时版本这件事我的建议非常直接不要用最新版本。语音相关的依赖库往往对版本很敏感最新版运行时经常出现某个二进制包还没适配的情况。稳妥做法是找一份社区里广泛验证过的版本组合直接照抄别自己创新。等整套流程跑通了再去考虑升级。驱动同理。显卡驱动和推理框架之间有版本对应关系不是越新越好。装之前先确认框架支持的驱动区间装完之后用一行最简单的命令验证一下框架能不能识别到设备能识别再往下走。这一步花两分钟能省掉后面两小时的困惑。3.2 依赖与模型权重落盘位置决定你后面省不省心模型权重动辄几个 GB默认下载路径通常在用户目录下。这在系统盘空间紧张的时候会很麻烦。我的做法是一开始就把模型目录、缓存目录、输出目录通过配置文件指到一个专门的数据盘上三个目录分开管理。这样做的额外好处是将来换机器或者备份的时候直接拷这个盘就行不用满世界找文件。# 目录配置建议config.yaml paths: models: /data/voicestudio/models cache: /data/voicestudio/cache output: /data/voicestudio/output presets: /data/voicestudio/presets # 音色档案与参数预设 runtime: device: cuda:0 precision: fp16 max_batch_size: 4 audio_cache: true依赖安装有个小技巧先装框架本体再装音频处理库最后装界面相关的包。顺序反了的话音频库可能会拉进来一个不兼容的数值计算库版本导致后面框架报奇怪的错。真遇到了也别慌先看报错里提到的库名和版本号把它单独降级或升级到框架要求的版本通常能解决。提示装完环境后立刻做一次最小验证——生成 3 秒的音频导出成 wav用播放器听一遍。这一步通过说明整条链路是通的后面出问题基本都是参数和素材层面的事排查范围一下子缩小了。3.3 第一次生成别急着上长文本跑通之后很多人第一反应是粘一整篇文章进去。我的建议是反着来先用一句十个字左右的中文短句配一段十秒的干净参考音频跑一遍看看效果。为什么因为短句能让你快速判断基础音色对不对、有没有明显杂音确认没问题再逐步加长。加长的节奏我一般是这样10 秒 → 30 秒 → 2 分钟 → 整篇。每加一档检查三件事音色前后是否一致、停顿是否自然、有没有突然的杂音。任何一个档位出问题就地解决不要带着问题上下一档不然最后定位问题会变成一团乱麻。顺便说一个界面上的小细节。第一次跑的时候把随机种子固定住。这样同样的输入每次输出都一样方便你对比参数调整的效果。如果种子是随机的你改了参数听到变化根本分不清是参数的功劳还是随机的功劳。等参数调稳了再放开种子做多样化生成。4. 参考音频怎么弄决定音色天花板的一步前面说过参考音频的质量上限就是音色上限。这一章值得单独拿出来讲因为它是所有环节里最靠人的一步——工具再好也帮不了你录一段糟糕的素材。4.1 录音环境不花钱也能做到八成大多数人没有专业录音棚但完全可以在家里录出可用的素材。核心原则就一条减少反射减少环境噪。具体做法是把房间里的硬表面尽可能遮住——衣柜里挂满衣服的衣橱是个绝佳选择进去关上门环境噪音和反射都会低很多。如果没有衣橱在床上用被子搭个简易棚也有不错的效果。设备方面手机在安静环境下其实够用前提是距离保持 15 到 20 厘米不要贴着嘴边也不要隔太远。离太近会有喷麦和近场效应低频过重离太远环境声比例就上来了。条件允许的话一个入门级的电容麦克风能明显提升干净度但这不是必需品。时机也很重要。晚上十点之后通常环境底噪最低空调、冰箱、加湿器这些能关的都关掉。家里有宠物的先把它们安顿好。我吃过一次大亏录了四十分钟素材回听时发现每隔二十秒有一声极轻的滴是隔壁的电子设备提示音整批素材全废。4.2 降噪与切片过犹不及是最大的坑录完之后要不要降噪要但要克制。现在的降噪算法如果开得太猛会把人的气声、齿音、尾音一并当成噪声削掉结果是音频听起来干净得不像人。我用下来的经验是降噪强度控制在能感觉到底噪明显下降但人声质感没变的位置就停手。去混响比降噪更难。轻微的处理可以提升清晰度处理过度会让声音发闷、发干像在棉被里说话。如果录的时候环境就不好我的建议是重录而不是指望后期救回来。参考音频只有十几秒到一分钟重录的成本远低于硬修。切片的规则也很重要。整段素材里如果有明显的呼吸声、咳嗽、翻页声要单独切掉但不要把每个字都切得干干净净。保留自然的呼吸是好事它恰恰是让合成结果听起来像真人的关键。我一般只切掉超过 0.4 秒的明显吸气声短的动着反而更自然。4.3 时长与内容的取舍什么句子最值得录参考音频录什么内容直接影响克隆的稳定性。我的推荐是内容要覆盖尽量多的音素和语调变化包含陈述句、疑问句、感叹句各一两句包含一些带有鼻音、齿音、卷舌音的词语速保持你平时说话的中速不要刻意放慢也不要赶。时长上10 秒是能出效果的下限30 秒到 1 分钟是比较舒服的区间。超过 2 分钟并不一定更好因为素材越长里面不一致的地方越多——你今天嗓子状态和明天不一样混在一起反而会让音色向量变模糊。参考音频时长效果预期适用场景5 - 10 秒音色轮廓接近细节不稳快速试听、参数摸底30 - 60 秒音色稳定语调可控常规内容生产2 分钟以上边际收益低可能引入不一致多情感需求的特殊场景如果你是给真人主播做音色档案建议同一天、同一环境下录完全部素材中途不要换设备、不要改变与麦克风的距离。这一条听起来像废话但它造成的返工次数远超你的想象。5. 参数调优把能听推到能用的实操清单音色对了、链路通了之后剩下的工作就是把自然的瑕疵一点点磨掉。这一层没有标准答案但有明确的调整方向和判断标准。5.1 语速、停顿与韵律听众感知最强烈的三个维度语速的调整幅度非常小。我做过对比测试把语速从 1.0 调到 1.1普通听众里大约三成能感觉到变快了但说不出哪里不对调到 1.25超过八成的人会觉得赶。所以语速调整我建议控制在 0.95 到 1.08 这个区间内超出就要重新考虑是不是文本本身太长了。停顿的处理有个容易被忽视的点句内停顿和句间停顿要用不同的量级。句内逗号级别的停顿大致在 150 到 220 毫秒句间在 350 到 500 毫秒段落之间 800 到 1000 毫秒。如果都用同一个值听起来会像列表朗读机械感很重。韵律这块中文特别吃重音位置。同一句话我今天不去公司重音落在我今天不去公司四个不同的词上含义完全不同。多数工作台允许你手动标注重音虽然麻烦但在关键句上标注一下效果提升非常明显。我的做法是通篇不标只在每段的开头句和结尾句标因为这两个位置听众注意力最集中。5.2 音高与情感强度小心过度音高偏移是调整音色年龄感的常用手段往下调一点显沉稳往上调一点显年轻。但幅度一大就会出现明显的电子化痕迹尤其是往下调到超过 2 个半音时容易带出胸腔共振不自然的闷响。我的经验是音高偏移不要超过正负 1.5 个半音。情感强度这个参数不同工具叫法不一样有的叫风格强度有的叫表现力。它的作用是在参考音色的基础上去强化或削弱情绪色彩。这个参数在 0.6 到 0.8 之间通常是最自然的位置开到 1.0 往往会带来音高和节奏的抖动听起来像在夸张表演。一个实用的小技巧同一段文本用两到三个不同的情感强度各生成一版然后对比听。人对单一版本的判断容易疲劳横向对比反而更容易发现哪一版最顺耳。这个做法在批量生产时尤其有效。5.3 批量生成与筛选把质量变成一道可以通过的关卡做批量内容时最大的效率杀手不是生成慢而是听到一半发现有一句崩了回头重跑。解决办法是把筛选前置成一道自动关卡。我常用的做法是先生成全部内容然后跑一个简单的自动检测检查每段的时长是否落在预期范围、响度是否在目标区间、有没有异常静音段比如超过了预期停顿的两倍。凡是触发异常的段落打上标记人工只听这些标记段落。这一套下来人工复核的时间能压缩到原来的三四成。# 批量质检脚本的核心逻辑Python 伪代码 for clip in generated_clips: dur audio_duration(clip) loud measure_lufs(clip) longest_silence max_silence_gap(clip) if not (expected_dur * 0.7 dur expected_dur * 1.4): clip.flag duration_abnormal elif not (-18 loud -13): clip.flag loudness_out_of_range elif longest_silence expected_pause * 2: clip.flag suspicious_gap else: clip.flag ok注意自动检测只负责挑出可疑的不负责判定好坏。阈值不要设得太紧否则你会被大量误报淹没最后干脆不看标记了那这套机制就白做了。种子固定与多样化的平衡也值得说一下。如果整集内容都用同一个种子生成句与句之间的音色一致性最好但语调起伏会比较平。我的做法是段落内固定种子段落之间换种子这样既有一致性又有自然的起伏变化。6. 排错实录我遇到过的四类典型故障语音工具出问题的表现往往很模糊——听起来不对这四个字能对应十几种原因。我把踩过的坑按现象分类整理每一类都给出定位路径你可以照着这个思路自己排查。6.1 音色不像先查素材再查参数音色不像是最常见的抱怨但九成的根因都在参考音频上而不是模型参数。排查顺序我建议这样走第一步把参考音频单独听一遍它本身是不是干净、有没有混响、有没有被过度降噪第二步检查参考音频的采样率是否和推理配置一致采样率不匹配是最隐蔽的元凶它不会报错只会让音色变得含混。第三步检查文本前端的读音是否正确有时候不是音色不像而是多音字读错了你下意识以为是音色问题。参数层面音高偏移过大、情感强度过高都会让音色偏离原始参考。如果你怀疑是参数问题把音高归零、情感强度调到中位再跑一次对比。改成默认值还是不像那就一定是素材问题这个判断非常省时间。6.2 杂音、爆音与底噪三个不同的东西别混为一谈杂音、爆音、底噪看起来都是有奇怪的声音但成因完全不同处理方法也完全不同。底噪是持续的像一层薄薄的沙沙声通常是录音环境或降噪不足导致的。爆音是瞬时的像啪的一声来源可能是波形在某个点超出了数值范围也可能是后处理链里某一步的增益给多了。周期性杂音则是规律出现的比如每隔几秒一次这种几乎可以断定是外部设备干扰只能重录或者用频谱工具定点消除。定位方法很直接把后处理链全部关掉只跑纯模型输出听一遍。如果杂音还在是模型或参考音频的问题如果消失了就是后处理链里某一步参数过激逐步开启各级效果器哪一级开上去杂音出现就是它。6.3 长文本崩坏从逐句生成、拼接开始改长文本跑到后半段音色漂移、语速失控、突然出现听不懂的音节这类问题的根源通常是模型在处理超出训练长度的序列时注意力衰减。指望通过调参数彻底解决很难工程上的解法是切分。切分不是简单按句号切有两个细节要处理。一是切分点要落在自然的停顿位置尽量在句号或明显的分句处切不要从句中间切。二是拼接时要补上停顿切开的两个片段直接首尾相连会形成一个不自然的急停顿听起来像被掐断了。补一个 300 到 500 毫秒的静音衔接会顺畅得多。另外切分之后每一段都用同样的音色向量和种子避免段与段之间出现音色跳变。这一点非常重要我见过最尴尬的情况是前半分钟是一个人在说话后半分钟像换了一个人。6.4 速度骤降与显存溢出一个被忽略的缓存问题显存溢出会直接报错比较好定位把批大小降下来基本能解决。真正让人抓狂的是速度突然变慢但没报错。这种情况我遇到过几次原因分别是上一次推理的中间结果没释放一直占着显存音色缓存没命中每次都在重新提取特征以及输出目录硬盘满了写入阻塞拖慢了整个流程。这三个原因排查起来很快看一下显存占用是不是比正常情况高一截看一下日志里音色提取是不是重复出现看一下输出盘剩余空间。建议养成一个习惯每次开始批量任务前先看一眼显存和磁盘空间两秒钟的事能避免半小时的困惑。7. 落地场景与那根不能碰的线工具本身没有立场但用工具的人有。这一章我想把场景讲清楚也把边界讲清楚因为语音克隆这件事在合规上的要求比大多数技术都更敏感。7.1 真正跑得通的几类场景从我这段时间的观察稳定产生价值的场景集中在几个方向。一是有声书和长篇内容的配音尤其是那种需要统一音色、几百集连载的内容工作流的价值体现得最明显。二是课程和培训素材讲师不用重复进棚改一段文字就能更新一课这在内容迭代频繁的场景里节省极大。三是视频解说的批量配音配合转写对齐功能能把字幕和语音一次做齐。四是辅助性的语音合成用于给内容补录几句、修掉口误。反过来有几类看起来很美的场景其实不太成立。比如要求极高的情感表演、方言浓重的角色对白、需要极强即兴感的对话内容这些场景下合成音和真人之间的差距还是会暴露。硬上只会让内容质量下降该请真人的地方还是要请真人。7.2 授权与声纹这条线必须提前画用真人声音做克隆只有一种合规路径拿到明确、具体、可追溯的授权。授权要讲清楚用途范围、使用期限、是否允许二次分发。口头同意不算含糊的你用吧也不算。如果对方是主播、配音员这类职业人士通常会有标准的授权文本直接走正规流程。用自己声音做克隆也要注意一点即使是你自己的声音如果内容涉及他人权益或者可能引起误认同样需要谨慎。模拟他人身份发布内容、伪造特定人物的发言无论技术上是自己的声音还是别人的都是不能碰的。还有一类容易被忽视的风险把公开可得的音频比如访谈、直播录音拿来训练音色。公开可听不等于授权可用这两件事在法律和道义上完全是两回事。我自己的做法是凡是拿不准的素材一律不用宁可换一个音色或者用内置音色。提示项目里建议保留一份音色档案说明文件记录每个音色的来源、授权范围、授权日期。等到你要交付给别人使用、或者半年后回头整理项目时这份文件的价值会体现出来。7.3 把流程固化成可复用的东西最后说点实操层面的。当你把一套参数调舒服之后别只把它记在脑子里把它存成预设。好的工作台通常允许把文本前端规则、韵律参数、后处理链、音色档案打包成一个预设文件下次直接加载。更进一步我会给每个长期项目建一个独立目录里面放四样东西预设文件、文本规整表、参考音频原始素材不处理的那份、以及一份记录本次参数调整理由的说明。第四样东西最有价值因为过一两个月你再回来调优根本记不清当时为什么把压缩比设成 2.8有记录就能避免把已经踩过的坑再踩一遍。我个人在实际操作中的体会是语音合成这件事模型能力只是入场券真正决定产出质量的是流程的稳定性和素材的干净程度。我见过太多人在模型选型上反复横跳换了一个又一个但参考音频始终是手机上隔着两米随手录的参数永远是默认值——那样换多少模型都不会好听。反倒是把录音环境收拾干净、把文本规整表养起来、把后处理顺序固定下来之后你会发现手头这套工具的潜力比想象中大得多。最近我在试着把转写对齐的结果反过来喂给韵律模块用它自动推断句子的重音位置初步效果还不错等积累够样本再细聊。