语音生成与克隆功能使用帮助 #

语音生成与克隆功能用于把输入文本合成为语音，也可以在提供参考音频的情况下尽量克隆参考说话人的音色与风格。这个功能适合做课程配音、短视频旁白、产品讲解、人声演示、内容创作、语音素材制作、角色音色测试以及个人化语音输出。

相比单纯的文字转语音，这个功能同时覆盖了两种使用方式：

• 没有参考音频时，使用内置音色做常规语音生成
• 提供参考音频时，优先走语音克隆链路，尽量模仿参考声音

对于需要兼顾“快速生成”和“音色定制”的用户来说，这个功能非常有价值。

功能描述 #

语音生成与克隆功能需要用户先选择模型总目录，再输入文本内容，并根据需要选择是否提供参考音频。输出时可以设置保存位置、输出文件名、导出格式、采样模式、最大生成帧、语速和导出润色等级，最后生成语音文件。

面板中还提供了内置音色选择，适合没有参考音频、但希望快速得到自然语音结果的场景。若你上传了参考音频，系统会优先尝试以参考音频为基础进行语音克隆。

主要功能 #

• 支持文本转语音
• 支持通过参考音频进行语音克隆
• 支持选择模型总目录
• 支持选择内置音色
• 支持自动按句切分长文本
• 支持导出 WAV、MP3、M4A
• 支持设置采样模式
• 支持设置最大生成帧
• 支持调节语速
• 支持导出润色
• 支持打开输出文件夹

功能特点 #

1. 一套面板同时支持生成和克隆 #

没有参考音频时可以直接做常规文字转语音；有参考音频时又能走克隆链路，不需要切换到其他单独功能。

2. 适合多种创作场景 #

无论是短视频旁白、课程讲解、产品配音，还是角色音色测试、语音素材制作，都能通过这个功能快速完成。

3. 模型和音色选择更灵活 #

用户既可以选择模型目录，也可以直接从内置音色里挑选适合的声音风格。对于不同项目需求来说更实用。

4. 低配和高配设备都考虑到了 #

当前功能说明中已经明确提到，软件会根据设备内存自动调整生成策略，低配置更稳，高配置更流畅。这一点对不同电脑环境下的用户很重要。

模型准备说明 #

在使用前，需要先到视频小能手官方网站下载并且先选择模型总目录。当前说明中要求总目录内应包含以下两个子文件夹：

• MOSS-TTS-Nano-100M-ONNX
• MOSS-Audio-Tokenizer-Nano-ONNX

也就是说，用户不需要手动逐个选模型文件，而是选择包含相关模型子文件夹的总目录即可。

主要参数说明 #

内置音色 #

如果你不提供参考音频，可以直接选择内置音色，用来快速生成常规语音。不同音色适合不同内容风格，例如讲解、旁白、介绍和演示等。

文本内容 #

输入要生成的文本，长文本会自动按句切分。这样可以提高长段文本的处理稳定性，也更符合语音生成流程。

参考音频 #

这是语音克隆的关键输入。面板提示建议使用：

• 干净单人语音
• 约 3 到 10 秒
• 一般 2 到 15 秒也可尝试

音频过长并不一定更好，反而可能更慢，克隆效果也未必更稳定。

输出格式 #

支持：

• WAV
• MP3
• M4A

WAV 更适合保留原始音频细节，MP3 和 M4A 更适合日常分发和分享。

采样模式 #

支持：

• 固定采样（推荐）
• 贪心模式
• 完整采样

对于大多数用户，固定采样通常更稳妥，适合先验证整个生成链路是否正常。

最大生成帧 #

这个参数决定本次最多生成多少音频帧。数值越大，能够生成的语音通常越长，但耗时也会更久。它不是语速控制参数，而是长度上限相关参数。

语速 #

支持 0.5x - 2.0x 调整。1.0x 为原速，数值越大速度越快，数值越小越慢。适合根据视频节奏、解说风格和听感习惯做微调。

导出润色 #

支持关闭、轻度、标准等模式，用于对导出音频做轻微修饰，让声音不那么干、更适合正式输出场景。

使用流程 #

第一步：选择模型目录 #

先选择包含两个模型子文件夹的总目录，确保模型路径正确。

第二步：选择音色或准备参考音频 #

根据需求二选一或结合使用：

• 只做常规生成：选择一个内置音色
• 做语音克隆：选择参考音频

第三步：输入文本内容 #

把需要合成的文字输入到文本框中。长文本会自动切分处理。

第四步：设置输出信息 #

设置：

• 保存位置
• 输出文件名
• 输出格式
• 采样模式
• 最大生成帧
• 语速
• 导出润色

第五步：开始生成 #

点击“开始生成”，等待处理完成。不同文本长度、模型状态和参考音频情况会影响耗时。

第六步：检查输出结果 #

生成后建议检查：

• 发音是否完整
• 音色是否符合预期
• 语速是否合适
• 润色效果是否自然

使用建议 #

• 初次使用建议先用短文本测试模型链路和音色效果
• 做语音克隆时，参考音频尽量保持干净、单人、少噪声
• 输出用于剪辑时，优先保留 WAV；用于日常分发可考虑 MP3 或 M4A
• 如果长文本出现提前结束，可以适当提高最大生成帧
• 想提升自然度时，可以尝试开启轻度或标准润色

适用场景 #

• 短视频旁白生成
• 课程讲解配音
• 产品介绍语音
• 个性化语音克隆
• 角色音色试音
• 网站演示和营销配音

常见问题 #

什么时候算语音生成，什么时候算语音克隆？ #

没有参考音频时，更偏向普通文字转语音；有参考音频并优先使用它时，更偏向语音克隆。

最大生成帧是不是语速？ #

不是。最大生成帧更偏向本次最多能生成多长的语音，而真正控制快慢的是语速参数。

为什么还要设置采样模式？ #

不同采样模式影响生成策略和结果表现。对多数用户来说，固定采样通常最适合先验证功能是否稳定。

软件工作方式对应补充 #

当前版本的“语音生成与克隆”并不只是一个简单的文本转语音按钮。面板上除了模型总目录、文本、参考音频、输出格式、采样模式、最大生成帧、语速和润色等级这些可见参数外，工作线程内部还会根据设备内存自动选择更稳妥的生成策略。

也就是说，当前功能已经内置了低内存保护逻辑。当检测到机器总内存较低时，会自动降低单次切分预算、批次预算和批处理块数量，让低配环境优先保证可完成、不崩溃；当设备内存更充足时，则会允许更流畅的批处理策略。因此它不是只有“高配电脑能正常跑”的功能，而是已经兼顾了低配可用性。

真实处理流程补充 #

长文本不会整段一次性硬生成，而是会结合句子切分和内部预算做分段处理。这一点对课程配音、长旁白、长讲解稿尤其重要，可以显著降低中途失败的概率。

另外，输出结束后并不一定直接结束任务。只要你选择的不是 WAV，或者语速不是 1.0x，或者启用了导出润色，线程都会进入后处理阶段，对导出音频继续做格式转换、速度调整或润色。这也是为什么 MP3、M4A、变速和润色场景会比最基础的 WAV 导出更耗时一些。

总结 #

语音生成与克隆功能是一项兼顾创作效率和个性化输出的高级功能。它既能满足普通文字转语音需求，也能支持参考音频驱动的语音克隆流程，还提供了输出格式、语速、润色和长度控制等实用参数。对于视频创作、课程配音、内容营销和语音素材制作来说，这是一项非常值得重点介绍的功能。