Methodology · Voice

AI 配音方法论

克隆音色 × 情感导演 × 去 AI 味工程化
v1.0 · 2026-08-13 · 实测验证：百炼 Qwen3-TTS / CosyVoice v3.5-plus · 案例：双人小剧场《掉金豆豆》
TTS 不是"文本转语音"，是"导演配音" —— 你导得越细，AI 味越少

🎧 案例

《掉金豆豆》v3 · 双人对话小剧场（50s）
克隆音色 duan × role2 · 情感标签 + 逐句导演词 + 随机变速/间隙 + EQ 去电味 + 结尾淡出
句角色情感处理
1老婆（role2）[抽泣] + 委屈控诉、声音发颤
2老公（duan）[轻笑] + 心疼宠溺
3老婆[抽泣] + 哭腔加重、拖长尾音
4老公低声下气、语速放慢
5老婆[破涕为笑] + 鼻音未消带笑
6老公[大笑] + 豪爽
7老婆软糯收尾 + 全局 1.8s 淡出

🧠 模型全景

模型提供方特长短板场景
cosyvoice-v3.5-plus百炼（阿里通义）声音复刻 + 方言指令 + 情感标签 + 情绪指令，一个模型全包仅云端、付费克隆配音、多角色
qwen3-tts-flash百炼方言预置音色（川/粤/津/京），HTTP 一次调用，97ms 首包不支持情绪指令（静默忽略）快速方言
qwen3-tts-instruct-flash百炼自然语言控情绪（1600 token 指令）仅普通话音色情绪配音
qwen3-tts-vc百炼克隆基本只保普通话克隆（普通话）
Qwen3-TTS 开源版fal 托管0.6B/1.7B 开源，3 秒克隆，跨语言 SOTA1.7B 需 GPU；fal $0.09/千字符海外/跨语言克隆
VoxCPM2本地（面壁）免费、CPU 可跑、9 方言RTF ~3x，无指令控制日常语音回复
ElevenLabs海外表现力顶流贵、中文一般英文向

百炼音色速查

音色口音人设
Eric四川话成都男，跳脱市井
Sunny四川话川妹子，甜
Rocky粤语幽默阿强
Peter天津话相声捧哏
Dylan北京话北京青年
Cherry / Vivian / Serena / Uncle_Fu普通话日常主力

🧭 选型决策树

要什么？
├─ 免费日常回复 → VoxCPM2 本地
├─ 方言（川/粤/津/京…）→ qwen3-tts-flash + 方言音色
├─ 语气/情绪 → qwen3-tts-instruct-flash（⚠️ 仅普通话）
├─ 方言+情绪 → 方言音色 + 文本写口语化（指令不支持叠加）
├─ 克隆任意人 → cosyvoice-v3.5-plus
└─ 克隆+方言+情绪 → 只有 cosyvoice-v3.5-plus 一个选项

铁律：口音是音色级的，指令改不了口音（Cherry 永远不会说四川话）；克隆要 15 秒以上干净人声。

🎭 情感强化三层

L1 指令导演词

不要写"温柔"，要写场景+动作+心理："温柔宠溺，轻声细语，像哄小孩，尾音上扬"。

L2 情感标签嵌文本

[抽泣] [轻笑] [破涕为笑] [大笑] [叹气] [耳语] —— cosyvoice 原生支持，直接驱动拟声，比指令更硬。

L3 文本口语化

真人不说完整句子：填充词（嗯/呃）、重复（"你刚才、你刚才"）、半截话、语气词（嘛/啊/哟）。

🧹 去 AI 味四层

AI 味三大来源：太干净、太均匀、频谱有合成感。

层手段参数
节奏每句随机变速atempo 0.94-1.08
停顿间隙随机化0.15-0.65s（不等长）
频谱EQ 削合成感 + 暖度 + 去咝3.5kHz -2.5dB / 180Hz +2dB / 6.8kHz -2dB
质感tanh 软饱和 + 轻压缩 + 粉噪 + 微混响模拟真实录音空间
结尾自然收尾句 + 整体淡出1.5-1.8s fade
[0:a]highpass=f=85,
equalizer=f=180:t=q:w=1.0:g=2.0,
equalizer=f=3500:t=q:w=1.4:g=-2.5,
equalizer=f=6800:t=q:w=1.6:g=-2.0,
asoftclip=type=tanh:param=0.75,
acompressor=threshold=-19dB:ratio=2:attack=12:release=140[main];
anoisesrc=color=pink:amplitude=0.010[n];
[main][n]amix=inputs=2:duration=first,
aecho=0.7:0.35:26:0.10,
afade=t=out:st=<dur-1.8>:d=1.8[out]

👥 多角色分轨

角色A台词 → voice_A + 指令A → 轨1.wav ─┐
角色B台词 → voice_B + 指令B → 轨2.wav ─┼→ concat(随机间隙) → 混音 → 成品
角色A台词 → ...              → 轨3.wav ─┘

一人分饰多角：同一 voice_id + 不同指令分轨。

🗃️ 已复刻音色注册表

人物voice_id参考源
边江cosyvoice-v3.5-plus-bj-a7a41343a86149f5aa8c11dc35a29fcc抖音朗读《春》10s
duan（哄方）cosyvoice-v3.5-plus-duan-9a7c4e281aa24dbda0495fc47e3afa20哄宝宝 36s
role2（撒娇方）cosyvoice-v3.5-plus-role2-b1beb4ce5aab4d9ab361f88c2e41c07a撒娇 57s

⛔ 踩坑清单（实战换的）

  1. qwen3-tts-flash 传 instruction 静默忽略 —— 语气控制必须 instruct 系列
  2. 口音是音色级的，指令改不了
  3. instruct 系列只有普通话音色；方言+情绪指令不可叠加
  4. 克隆音频 <15s 报 AudioShortError（11s 实测被拒）
  5. WebSocket 合成 finish() 非阻塞，不等完成事件 = 0 字节
  6. 百炼 plus 模型只走 WebSocket，HTTP REST 报 url error
  7. ffmpeg asoftclip 是 tanh 不是 tan
  8. 混合滤镜必须 -filter_complex 分链，amix 不能串在 -af 单链
  9. 复刻音频需公网 URL：up.93ie.com 上传路径是 /upload/<filename>
© 2026 · 93ie 方法论引擎 · AI 配音方法论 v1.0 · Hermes Agent 实测沉淀