语音与音色

选择运行方式

打开「语音工具 → 模型配置」。本地模型、模型服务、云端 API 是三个来源。不同来源保存各自表单草稿，切换不会自动生成或上传录音。云端来源可选择相应提供商；云端创建音色需要账户具有权限。

CosyVoice3 和 Fish Speech S2 Pro 的服务接入是可选方式。选择「模型服务」时，需要已启动且协议匹配的本机或远程服务，模型由服务加载；默认地址只是示例。无需单独启动服务的实验路径在「本机模型」中，要求完整 audio.cpp GGUF 包，不能直接加载官方原始权重目录，实际生成与音质仍待验证。

在服务试音区点击「本机 GGUF 配置」，可转到对应模型的本机配置。配置引导中也提供此按钮。它只切换配置入口，不复制服务密钥或参考音，不自动准备模型、生成音频或启用同传。

123

1. 1选择与你下载的模型一致的家族。
2. 2选择完整模型目录。
3. 3选择清晰的单人参考录音。

1234

1. 1不使用独立服务时，打开对应模型的本机 GGUF 配置；实际生成待验。
2. 2选择已在服务中加载的模型。
3. 3填写已启动的本机或远程服务地址，默认地址只是示例。
4. 4选择参考录音，点击生成才发送到所填服务。

本地模型能力与输入

12

1. 1选择 VoxCPM2，检查模型与参考录音。
2. 2点击提前加载模型；完成后不生成或播放音频。

Index-TTS2 / 2.5 准备与试音

1. 选择下载后的原始模型根目录，点击「检查模型」（旧版本称「检查组件与参考音」）。待准备提示和缺少原生文件不等于原始权重全部丢失。
2. 点击「准备原生模型」。转换写入同一目录的 .boundless-flow/native；保留原文件，尽可能关联已有大权重。该位置固定复用，不按时间创建多份；不会失败后自动转存 C 盘。
3. 等待完成和路径自动切换，再重新检查。转换产生的新文件仍需要源磁盘空间和写入权限；不要准备中手动移动原始权重。
4. 导入合格参考音并填写合成文本，生成后试听、下载，确认结果后再保存音色或用于同传。

123

1. 1确认原始模型目录。
2. 2先检查模型，再按提示准备。
3. 3需要转换时点击准备原生模型。

参考录音与音色库

多数本机克隆入口要求参考音为 1–60 秒，建议 3–10 秒；FireRed 须 1–10.24 秒，建议 3–5 秒清晰单人讲话。用「导入参考录音」显式导入支持的音频；转换后的单声道 16 kHz WAV 与来源记录一起保存，原文件保留。不用补静音把过短录音伪装为合格。声纹工作台的输入要求另见声纹页。

按模型要求填写与参考音一致的原文。音色库可搜索、重命名、归档、恢复、用作参考；归档仅隐藏，不删除录音，也不释放磁盘空间。应用到当前参考需明确操作。

123

1. 1选择要导入的原始录音。
2. 2为录音填写便于查找的名称。
3. 3点击导入，原录音会保留。

设计、情感和 A/B 试听

音色设计填写声音特征和试音文本，使用支持设计的模型／服务。情感参数、指令和表达标签只对所选后端支持的能力生效；控制合成情绪与识别输入情绪不是同一功能。

可从本机和服务生成结果保留 A／B 对比，尽量使用相同文本与语言。试听结果的请求总耗时不等于首音延迟；本次会话的对比结果需下载或保存才能长期留存。

123

1. 1选择声音设计，并使用对应模型。
2. 2描述音色、语速和表达方式。
3. 3填写用于试听的文字。

VibeVoice Realtime 0.5B 服务试音

1. 在「模型服务」选择 VibeVoice Realtime 0.5B。先自行启动官方服务，填写 ws://127.0.0.1:3000 等实际地址；软件不会下载模型或启动 Python。
2. 填写服务已提供的准确预设音色，例如 en-Carter_man。连接会检查服务音色清单，不会在名称错误时悄悄换成其他音色。
3. 点击生成，完成后播放试听；修改文字或参数后须重新生成。只有当前参数的成功试音可「用于持续同传」，保存失败可重试。取消或关闭声音面板会取消当前试音。

123

1. 1在模型服务中选择 VibeVoice。
2. 2填写已启动的服务地址。
3. 3使用服务提供的准确预设音色名称。

检查未接入的模型包

MOSS-TTS、FireRedTTS3 Base 和 dots.tts 等模型目前不能在这里合成声音。MOSS 和 FireRed 可先检查模型包，找出缺失文件或架构不匹配的问题。文件检查通过仍不表示可以运行模型；FireRed Instruct 的离线试音操作见下节。

1. 在「语音工具 → 模型配置」展开「正在接入的模型」，选择 MOSS-TTS 或 FireRedTTS3，再选择模型根目录或单个模型目录。
2. MOSS 的编解码器可放在模型根目录的 MOSS-Audio-Tokenizer 或 MOSS-Audio-Tokenizer-v2 子目录内，也可在可选字段中选择独立目录。同时存在两个版本时，需要明确选择；模型和编解码器声明的采样率不同会提示。
3. 点击「检查模型包」，分别查看模型和依赖组件。MOSS 缺 Audio Tokenizer 时检查依赖路径；FireRed 只找到下载暂存权重时先完成下载。不要把暂存文件直接当作正式模型。
4. 修改路径或切换模型后重新检查。检查不会下载、转换、启用模型或保存配置，也不会改动原文件。

1234

1. 1选择模型家族。
2. 2选择模型根目录或单个模型目录。
3. 3编解码器放在其他位置时，在这里选择。
4. 4开始只读检查。

1

1. 1核对依赖缺项和目录，不将文件检查当作合成成功。

123

1. 1选择 FireRedTTS3。
2. 2选择完整模型目录。
3. 3只找到暂存权重时，先完成模型下载。

FireRedTTS3 Instruct 离线试音

此入口仍属实验，完整音质和持续实时性能尚未验收。FireRed 已接入同传的生成中播放实验，操作见同传章；当前没有此模型的音色设计或独立情绪参数。加载较大的模型可能需要较长时间，可查看任务状态并取消。

1. 在「语音工具 → 模型配置」选择「本机模型」，再选择 FireRedTTS3 Instruct 和 CPU。当前 Windows 安装包不提供 FireRed 的 CUDA 组件。先用一句短文本试音，确认速度与音质符合需要。
2. 选择原始模型根目录，其中应包含 fireredtts3_instruct、redae 和 text_tokenizer。也可选择 fireredtts3_instruct 子目录。此模型无需 Index 的权重准备流程，也不使用 GGUF。
3. 点击「检查模型」。检查通过后，可点「提前加载模型」；这一步只加载模型，不生成声音，也不需要参考录音或文本。首句仍需处理参考音。
4. 选择1–10.24秒清晰单人 WAV，建议3–5秒，并填写录音中实际说出的原文。导入或更换参考音后重新点击「检查模型」，再生成短试音；不要沿用旧参考音的检查。合格的单声道24 kHz录音保持原样；其他支持的PCM采样率会生成24 kHz参考副本，保留原文件。参考过长时，请换一段较短录音。
5. 填写合成文本，生成后等待音频出现，再试听或保存；“正在核验试音”仍不表示生成已经完成。修改模型路径或后端后须重新检查。
6. 满意后保存音频或加入音色库。音色库保留原始生成音频，并派生单声道16 kHz参考，同时记录生成来源和版本。

旧截图用于说明控件位置，图中的 CUDA 是较早参数；当前 Windows 安装包使用 FireRed 时请选择 CPU。需要 NVIDIA GPU 时，请选择已支持的 Index-TTS2、Qwen3-TTS 或 VoxCPM2，并先通过组件与设备检查。

12345

1. 1选择 FireRed Instruct 离线试音。
2. 2选择包含 Instruct、RedAE 与分词器的原始目录。
3. 3可提前加载模型；此步骤不生成声音。
4. 4填写参考录音中实际说出的原文。
5. 5填写将要生成的文本，再检查和生成。

云端克隆与声音设计

在「语音工具 → 模型配置」选择云端 API，再选择 MiniMax，填写服务地址与 API Key。使用前确认账户具有创建音色的权限。下面分别展示克隆和设计表单。

1. 克隆：先将参考录音导入音色库，再打开克隆页，选择参考音并填写音色 ID。录音要求以当前服务提示为准。点击创建后才会上传录音。
2. 设计：打开设计页，描述希望听到的音色、语速与表达方式，再填写试音文本。无需把参考录音当作声音描述上传。
3. 完成后试听并检查返回的音色 ID，再应用到语音配置。失败时先查看任务状态；确认上一次没有完成后再重试，避免重复创建。

12

1. 1选择音色库中的参考录音。
2. 2填写本次克隆的音色 ID。

123

1. 1写出你希望听到的声音特征。
2. 2填写试听文字。
3. 3确认描述后创建音色。

Qwen3-TTS：克隆与声音设计

先在「配置引导页」登记模型。克隆选择 Base 0.6B 或 1.7B，声音设计选择 1.7B VoiceDesign；它们使用不同权重。日常使用在声音面板选择已配置模型，无需重复填写目录。普通克隆与声音设计走本机原生组件。

1. 克隆：选择音色库中的参考音，并核对参考原文。原文必须与录音实际说出的内容一致；缺少时先补充。填写要生成的话，点击「生成语音」，等待音频出现后试听。
2. 设计：选择声音设计用途，描述音色与表达，如「成年女性，声音温暖，语速适中」，再填写试音文字。此步骤不需要参考录音。
3. 满意的设计可保存到音色库，记录试音原文。以后选择 Base 模型，以该音色作为参考进行克隆。

第一次生成包含加载模型和处理参考音，通常更慢；同一模型连续生成可复用已加载组件。CustomVoice 预置音色、先设计后克隆的自动流程及部分高级参数仍使用兼容组件，不能把它们当作普通原生克隆。

Qwen 云声音：这段音频是哪个连接生成的？

本节来源标注需 Windows r512 或后续安装预览。

打开语音工具 → 模型配置 → 云端 API → Qwen Audio 3.1 · TTS，选择在配置引导中保存的连接。上方显示的服务用于下一次生成；生成后，结果区的这段音频的来源显示本段声音生成时使用的连接、服务域名和模型。

已保存的连接改变后，已有结果可能显示来自此前配置。这段声音仍来自结果区标明的原配置，可以继续试听、下载 WAV，或保留至 A/B；每条对比音频保留各自来源。重新生成时，使用当前保存的连接。

123

1. 1上方连接用于下一次生成，不会改写旧音频的来源。
2. 2结果保留生成时的服务与模型；出现「来自此前配置」时，仍以这里为准。
3. 3可继续试听、下载这段音频；修改配置或重载界面前，先下载需要保留的声音。

较早版本的试听与 A/B 仅保留在当前界面会话，重新加载前需要下载。支持下节恢复流程的更新可在本窗口重载后找回已完成暂存的音频；需要长期保留的声音仍请下载。

如果提示服务、认证信息不可用，或连接已经更改，请回配置引导检查并重新保存，再选择连接。取消生成后，等待收尾完成再切换服务。音色与表达效果需要试听判断；请求成功不代表克隆准确率或实时同传延时已经达标。

完成配置引导后，继续试听

本节流程需要 r480 或更新的 Windows 候选安装版；r475 安装包不含本节改进。

1. Qwen Audio 3.1 试音成功后，等待本地暂存完成。要做对比，可把生成结果保留至 A 或 B；共享 A/B 支持本机模型、模型服务和云端结果，也保留 MP3。试听暂存尚未写完时，配置引导不会重载界面。
2. 在同一个应用窗口中完成并保存配置引导。界面重新加载后，打开「语音工具」；进入对应工作台时，找回最近暂存的 Qwen 试听和 A/B 音频，无需在软件启动时加载音频。
3. 先核对恢复音频的原来源。修改连接或停用提供商，不会把旧音频改归新来源，也不会恢复已停用的提供商。来源标注记录原请求，不表示当前 API Key 仍有效；再次生成仍须选择当前可用的已保存连接。
4. 点击播放才会试听。恢复不会自动播放、请求提供商或上传参考录音。可以继续试听、下载原来的声音，再选择其他连接生成下一段。

123

1. 1当前保存的服务用于下一次生成，可能与找回音频的原来源不同。
2. 2「从本机恢复」与「来自此前配置」描述的是这段旧音频；来源记录不表示当前认证信息仍有效。
3. 3点击播放才试听；也可下载 WAV 或保留至 A／B。恢复本身不会执行这些操作。

暂存范围与长期保留

需要保留的声音请下载。这项缓存用于当前窗口的界面重载衔接，不提供永久保存或关机重启后恢复。浏览器禁用存储、手动清理数据、过期或容量清理，都可能使音频无法恢复。若看到本地暂存失败提示，当前音频仍可试听、下载；请先下载，再重载或关闭界面。