一款GEO AI优化系统，支持关键词蒸馏、自动创作、多平台投喂与收录验证，让品牌在DeepSeek、豆包等大模型中被优先推荐
2026/1/20 9:44:51
Voice Sculptor实操手册：从安装到语音合成的完整流程
1. 快速启动与环境准备
1.1 启动应用
Voice Sculptor 是基于 LLaSA 和 CosyVoice2 指令化语音合成模型进行二次开发的语音生成工具，由科哥团队构建。该系统支持通过自然语言指令定制专属音色风格，适用于内容创作、配音制作、AI角色对话等多种场景。
在部署环境中，首先需要启动 WebUI 服务。执行以下命令即可：
/bin/bash /root/run.sh成功运行后，终端将输出类似信息：
Running on local URL: http://0.0.0.0:78601.2 访问使用界面
启动完成后，在浏览器中打开以下任一地址访问主界面：
- http://127.0.0.1:7860
- http://localhost:7860
如果您是在远程服务器上部署，请将
127.0.0.1替换为实际的公网 IP 地址。
如需重启服务，再次执行上述脚本即可。系统会自动完成以下清理操作：
- 终止占用 7860 端口的旧进程
- 清理 GPU 显存资源
- 重新加载模型并启动新实例
2. 界面功能详解
Voice Sculptor 的 WebUI 设计简洁直观，分为左右两大功能区域，便于用户快速上手。
2.1 左侧：音色设计面板
风格与文本设置（默认展开）
| 组件 | 功能说明 |
|---|---|
| 风格分类 | 可选择“角色风格”、“职业风格”或“特殊风格”三大类 |
| 指令风格 | 在选定分类下选择具体的声音模板（如“幼儿园女教师”） |
| 指令文本 | 描述目标声音特征的自然语言提示词（≤200字） |
| 待合成文本 | 输入希望语音合成的具体内容（≥5字） |
当选择预设风格时，系统会自动填充对应的指令文本和示例语句，方便直接试用。
细粒度声音控制（可选折叠）
提供对声音多个维度的精确调节，包括：
- 年龄：小孩 / 青年 / 中年 / 老年
- 性别：男性 / 女性
- 音调高度：音调很高 → 音调很低
- 音调变化：变化很强 → 变化很弱
- 音量：音量很大 → 音量很小
- 语速：语速很快 → 语速很慢
- 情感：开心 / 生气 / 难过 / 惊讶 / 厌恶 / 害怕
建议保持细粒度参数与指令文本描述一致，避免冲突导致效果失真。
最佳实践指南（默认折叠）
包含推荐写法、常见误区及优化建议，帮助用户提升音色设计质量。
2.2 右侧：生成结果面板
| 组件 | 功能说明 |
|---|---|
| 生成音频按钮 | 点击后开始合成语音，等待约 10–15 秒 |
| 生成音频 1/2/3 | 展示三次不同采样结果，体现模型随机性 |
| 下载图标 | 支持点击下载生成的.wav文件 |
每次生成会输出三个略有差异的音频版本，供用户挑选最满意的一版。
3. 核心使用流程
3.1 方式一：使用预设模板（推荐新手）
适合初次使用者快速体验高质量音色效果。
选择风格分类
点击“风格分类”下拉菜单，选择“角色风格”、“职业风格”或“特殊风格”。选择具体模板
在“指令风格”中选择一个具体选项（如“成熟御姐”）。查看自动填充内容
- “指令文本”将显示详细的声音描述
- “待合成文本”将填入匹配场景的示例句子
可选修改
- 修改“待合成文本”以适配您的需求
- 微调“指令文本”增强个性化表达
生成音频
点击“🎧 生成音频”按钮，等待合成完成。试听与保存
试听三组结果，点击下载图标保存所需音频文件。
3.2 方式二：完全自定义音色
适用于有明确声音构想的专业用户。
- 任意选择一个“风格分类”，然后在“指令风格”中选择“自定义”。
- 在“指令文本”中输入详细的自然语言描述（参考下一节写法建议）。
- 输入“待合成文本”内容。
- （可选）启用“细粒度控制”进行参数微调。
- 点击“生成音频”获取结果。
自定义模式下，指令文本的质量直接影响最终音色表现，建议遵循结构化描述原则。
4. 声音风格库与指令编写技巧
4.1 内置18种声音风格概览
角色风格（9种）
| 风格 | 特点 | 典型应用场景 |
|---|---|---|
| 幼儿园女教师 | 甜美明亮、极慢语速、温柔鼓励 | 儿童故事、睡前读物 |
| 电台主播 | 音调偏低、微哑、平静忧伤 | 深夜情感节目 |
| 成熟御姐 | 磁性低音、慵懒暧昧、掌控感强 | 情感陪伴、角色扮演 |
| 年轻妈妈 | 柔和偏低、温暖安抚、轻柔哄劝 | 儿歌、育儿内容 |
| 小女孩 | 天真高亢、快节奏、尖锐清脆 | 动画配音、儿童互动 |
| 老奶奶 | 沙哑低沉、极慢温暖、怀旧神秘 | 民间传说、怀旧叙事 |
| 诗歌朗诵 | 深沉磁性、顿挫有力、激昂澎湃 | 诗歌朗读、演讲 |
| 童话风格 | 甜美夸张、跳跃变化、奇幻色彩 | 童话剧、动画旁白 |
| 评书风格 | 传统说唱、变速节奏、江湖气十足 | 武侠故事、曲艺表演 |
职业风格（7种）
| 风格 | 特点 | 典型应用场景 |
|---|---|---|
| 新闻风格 | 标准普通话、平稳专业、客观中立 | 新闻播报、资讯解读 |
| 相声风格 | 夸张幽默、时快时慢、起伏大 | 喜剧内容、脱口秀 |
| 悬疑小说 | 低沉神秘、变速节奏、悬念感强 | 恐怖小说、惊悚剧 |
| 戏剧表演 | 夸张戏剧、忽高忽低、充满张力 | 戏剧独白、舞台剧 |
| 法治节目 | 严肃庄重、平稳有力、法律威严 | 法律科普、案件分析 |
| 纪录片旁白 | 深沉磁性、缓慢画面感、敬畏诗意 | 自然纪录片、人文历史 |
| 广告配音 | 沧桑浑厚、缓慢豪迈、历史底蕴 | 商业广告、品牌宣传片 |
特殊风格（2种）
| 风格 | 特点 | 典型应用场景 |
|---|---|---|
| 冥想引导师 | 空灵悠长、极慢飘渺、禅意氛围 | 冥想课程、助眠引导 |
| ASMR | 气声耳语、极慢细腻、极度放松 | ASMR视频、睡眠辅助 |
4.2 如何撰写高效的指令文本
✅ 优质指令示例
这是一位男性评书表演者，用传统说唱腔调，以变速节奏和韵律感极强的语速讲述江湖故事，音量时高时低，充满江湖气。优点分析：
- 明确人设：男性评书表演者
- 包含音色特质：传统说唱腔调、变速节奏
- 描述情绪氛围：江湖气
- 覆盖多维度：人设 + 音调 + 节奏 + 情绪
❌ 低效指令示例
声音很好听，很不错的风格。问题所在：
- “好听”“不错”为主观评价，无法被模型感知
- 缺乏具体声音特征描述
- 无人设、无场景、无技术参数
指令编写五项原则
| 原则 | 说明 |
|---|---|
| 具体 | 使用可感知词汇：低沉/清脆/沙哑/明亮、语速快慢、音量大小等 |
| 完整 | 覆盖 3–4 个维度：人设/场景 + 性别/年龄 + 音调/语速 + 音质/情绪 |
| 客观 | 描述声音本身，避免“我喜欢”“很棒”等主观判断 |
| 不做模仿 | 不要写“像某某明星”，只描述声音特质 |
| 精炼 | 每个词都应传递有效信息，避免重复强调（如“非常非常”） |
5. 细粒度控制策略与最佳实践
5.1 参数对照表
| 控制项 | 可选值 |
|---|---|
| 年龄 | 不指定 / 小孩 / 青年 / 中年 / 老年 |
| 性别 | 不指定 / 男性 / 女性 |
| 音调高度 | 不指定 / 音调很高 → 音调很低 |
| 音调变化 | 不指定 / 变化很强 → 变化很弱 |
| 音量 | 不指定 / 音量很大 → 音量很小 |
| 语速 | 不指定 / 语速很快 → 语速很慢 |
| 情感 | 不指定 / 开心 / 生气 / 难过 / 惊讶 / 厌恶 / 害怕 |
5.2 使用建议
保持一致性
细粒度参数必须与指令文本描述相符。例如，若指令中描述“低沉缓慢”，则不应在“音调高度”中选择“音调很高”。非必要不填写
多数情况下保持“不指定”即可，让模型根据指令自动推断。仅在需要微调时才启用特定参数。组合使用示例
目标效果：年轻女性兴奋地宣布好消息
指令文本：一位年轻女性，用明亮高亢的嗓音，以较快的语速兴奋地宣布好消息。 细粒度控制： - 年龄：青年 - 性别：女性 - 语速：语速较快 - 情感：开心
6. 常见问题与解决方案
Q1：生成音频需要多久？
通常耗时10–15 秒，受以下因素影响：
- 文本长度
- GPU 性能
- 当前显存占用情况
Q2：为什么相同输入生成的音频不一样？
这是模型固有的随机性机制所致，旨在提供多样化输出。建议：
- 多生成几次（3–5次）
- 从中挑选最符合预期的结果
Q3：音频质量不满意怎么办？
可尝试以下方法优化：
- 多次生成并筛选最佳结果
- 优化指令文本，使其更具体、完整
- 检查细粒度控制是否与指令存在矛盾
Q4：支持多长的文本合成？
- 单次建议不超过200 字
- 超长文本建议分段合成，后期拼接
Q5：支持哪些语言？
当前版本仅支持中文。英文及其他语言正在开发中。
Q6：生成的音频保存在哪里？
- 可通过网页界面直接下载
- 自动保存至
outputs/目录，按时间戳命名 - 包含 3 个音频文件及
metadata.json元数据记录
Q7：出现 CUDA out of memory 错误如何处理？
执行以下清理命令：
# 强制终止 Python 进程 pkill -9 python # 释放 GPU 设备占用 fuser -k /dev/nvidia* # 等待恢复 sleep 3 # 查看显存状态 nvidia-smi之后重新运行/root/run.sh启动服务。
Q8：端口被占用怎么办？
系统脚本已集成自动清理功能。如需手动处理：
# 查找占用 7860 端口的进程 lsof -i :7860 # 终止相关进程 lsof -ti:7860 | xargs kill -9 # 等待片刻后重启 sleep 27. 总结
Voice Sculptor 作为基于 LLaSA 和 CosyVoice2 的二次开发成果，实现了通过自然语言指令精准控制语音风格的能力。其核心优势在于：
- 易用性强：提供图形化界面与预设模板，降低使用门槛
- 灵活性高：支持从模板调用到完全自定义的全链路音色设计
- 可控性好：结合指令文本与细粒度参数实现双重调控
- 开源开放：项目代码持续更新，社区活跃
无论是内容创作者、播客制作者还是 AI 应用开发者，都可以借助 Voice Sculptor 快速生成符合场景需求的高质量语音内容。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。