TTS-7788 语音合成服务

预设音色

输入文本

模型 (Model)

CustomVoice模型支持基础音色+情绪指令

音色 (Speaker)

语言

情绪/风格指令

开心愤怒温柔激动悲伤严肃俏皮冷静热情慵懒神秘紧张自信娇羞豪迈沮丧惊讶嘲讽恐惧深情得意困惑

语速倍率

1.0x

音量倍率

1.0x

稳定朗读长文本模式

默认使用低随机采样，适合章节朗读。开启长文本模式后将调用专用的 /tts/book 接口并按句拼接输出。

Temperature

0.9

单段最大字符数

声音克隆

输入文本

上传参考音频

点击或拖拽上传音频文件

参考音频对应的文本 (可选) 提供参考音频的文本内容可提升克隆质量

模型 (Model)

Base模型专门用于参考音频克隆

语言

情绪/风格指令

完美模仿自然日常开心愤怒温柔激动悲伤严肃俏皮冷静热情慵懒神秘紧张自信豪迈深情娇羞沧桑

语速倍率

1.0x

音量倍率

1.0x

稳定朗读

克隆模式默认降低随机性，尽量贴近参考音频，不让每句语调飘开。

Temperature

0.9

声音设计

输入文本

模型 (Model)

VoiceDesign模型通过指令设计声音，无需基础音色

语言

声音设计指令

磁性男声甜美女声成熟稳重活泼可爱神秘深邃温柔治愈浑厚男声清澈女声沧桑沙哑阳光少年知性优雅搞怪俏皮威严霸气柔弱纤细豪迈粗犷稚嫩童真冷峻淡漠妩媚动人沉稳内敛欢快跳跃撒娇萌妹高冷御姐清脆正太温柔少妇

语速倍率

1.0x

音量倍率

1.0x

稳定朗读

声音设计也支持稳定模式。关闭后更自由，但跨句一致性会明显下降。

Temperature

0.9

语音识别

ASR 模型

识别语言

返回时间戳

开启词级对齐

返回词级时间戳结果

上传音频文件

点击上传音频文件

音频预览

识别结果

时间戳

LongCat AudioDiT — 零样本 TTS

输入文本

模型

Steps（推理步数）

越高质量越好，速度越慢

CFG Strength（引导强度）

4.0

Seed（随机种子）

相同种子产生相同结果

LongCat AudioDiT — 声音克隆

输入文本

上传参考音频

点击或拖拽上传音频文件

参考音频对应的文本（可选，有助于提升克隆质量）

Steps（推理步数）

克隆建议 32+，越高质量越好

CFG Strength

4.0

Guidance Method

Seed（随机种子）

VoxCPM2 — 零样本 TTS / 声音设计

输入文本

模型

合成语言（参考）输入对应语言的文本，模型自动识别

声音设计指令 (Voice Instruct)

年轻甜美女元气少女知性女声温暖母性高冷御姐沙哑女声气息低语萝莉可爱青年男声磁性男声浑厚有力成熟稳重阳光少年老者沧桑稚嫩童声新闻播报故事叙述轻柔缓语快节奏活力激昂演讲有声书旁白

Inference Timesteps（推理步数）

越高质量越好，速度越慢

CFG Value（引导强度）

2.0

💡 声音设计：在指令框填写音色描述（如 A young woman, gentle voice），模型生成对应音色，无需参考音频。
📋 零样本 TTS：不填指令时模型自动推断合适风格。
🌍 多语言：支持30种语言，直接输入目标语言文本即可，无需语言标签。

VoxCPM2 — 声音克隆

输入文本

上传参考音频

点击或拖拽上传音频文件

参考音频的转录文本（必填，用于最高质量克隆）

风格控制指令 (Style Instruct)

欢快开心深情款款激动兴奋悲伤忧郁严肃认真轻松俏皮温柔体贴自信有力低沉磁性平静叙述语速加快语速放慢急促紧张悠然自在

Inference Timesteps（推理步数）

克隆建议 15+，越高质量越好

CFG Value（引导强度）

2.0

🔊 VoxCPM2 声音克隆支持 30 种语言，输出 48kHz 高质量音频。
📝 提供转录文本可大幅提升克隆精度，建议不超过 30 秒的参考音频。

Confucius4 声音克隆

输入文本

上传参考音频

点击或拖拽上传音频文件

从库中选择参考音频

-- 选择已保存的参考音频 --

模型 (Model)

语言

语速倍率

1.0x

音量倍率

1.0x

稳定克隆

Temperature

0.80

任务队列

任务队列 0

队列为空

生成历史

暂无生成记录

音频工具

选择音频文件（可多选，顺序即合并顺序）

点击选择或拖拽音频文件

输出格式

视频工具

选择视频文件（可多选，顺序即合并顺序）

点击选择或拖拽视频文件

输出格式

⚠️ 视频合并会重新编码(H.264+AAC)，大文件需要较长时间