---

1. 前言

在人工智能的世界里，“看、听、说、写” 早已不是人类的专属技能。

语音识别，让机器有了耳朵；语音合成，让机器长了嘴巴；合在一起，机器就开始 “说人话、听人言” 了。

1.1 语音识别：让机器听懂人说话

全称：ASR，Automatic Speech Recognition。

语音识别是指将人类语音信号转化为对应文本的过程，核心技术包括声学特征提取、声学建模（如深度神经网络）、语言建模（如 N-gram 或 Transformer 语言模型）和解码算法。其本质是寻找最优词序列，使得在特定声学输入下的概率最大化。应用场景包括语音助手、语音输入法、智能客服、语音搜索等。

通俗来讲：

你是否曾对着手机说 “给老李打电话”，它就自动完成拨号？这背后正是语音识别技术在发挥作用。人类发出的是声音信号，而机器只有将声音转换成文字，才能理解其中含义。
 
语音识别就如同为机器配备了听觉与处理能力，能够 “听清” 人们的话语，并将其转化为文本信息。比如你询问 “今天天气怎么样？”，系统会先识别出对应的文字内容，再去查询天气数据并反馈结果。

简单来说，语音识别的核心就是：将口语语音转化为书面文字。

1.2 语音合成：让机器学会说话

全称：TTS，Text-to-Speech。

语音合成是将文本信息转换为可感知、自然的语音信号的技术。现代 TTS 系统包括文本分析、音素转写、语音特征预测和波形生成，主流模型如 Tacotron、FastSpeech、VITS 等广泛应用，能够实现个性化、情感化语音合成。广泛应用于语音导航、新闻播报、客服系统、有声读物、无障碍辅助等场景。

通俗来讲：

你是否留意过导航播报 “前方测速，请注意减速” ？这些提示并非提前人工录制，而是机器在自动朗读文字，这便是 语音合成技术。
 
它的作用，是将 “您有一条新消息” 这类文字内容，转化为接近真人的自然语音。我们日常听到的语音助手、智能音箱发声，大多依靠这项技术。

简单概括：语音合成 = 将文字转化为自然语音。

1.3 总结

ASR：实现语音 → 文本的映射，是 听懂 的过程；

TTS：实现文本 → 语音的转换，是 说话 的过程；

二者共同构建了人机语音交互系统的核心能力。

2. 情感化语音合成

在过去很长一段时间里，TTS（文本转语音）给人的印象只有一个词：工具。它能读字，但没有感情。它能发声，但不像人说话。它适合播报通知、导航提示，却很难承担内容表达。

但最近一两年，语音 AI 明显变了。它不再只是 “朗读机器”，而开始强调 —— 情绪性格风格语气节奏多语言表达能力。

话说回来：什么是 “像真的情感” ？

个人理解，要让合成语音不像 “机器人”，需要解决以下三个层面的问题：

• 文本感知： 机器必须理解文字背后的情绪（是愤怒、喜悦、还是阴阳怪气？）。
• 韵律建模： 情感不仅是音色，更是语速、停顿、重音、音高的综合变化。
• 非语言符号： 真人说话会有呼吸声、笑声、叹气或轻微的唇齿音。
• …等等

2.1 需求背景

目标： 输入特定文本，产出具备高度情感真实感（非机械感）的语音数据。

衡量标准： 盲听测试下，听感与真人录音无异，具备自然的语调起伏、呼吸声及语义重音。

2.2 业务分析

重点不在于从底层写代码开发一个系统，而是如何通过现有的技术手段或业务流程，产出（合成）一批 “听起来像真人” 的情感语音数据。

因为不涉及到开发，那么目前能想到的方案如下：

• 方案 A：利用 AI 平台进行 “提示词工程”。（最快，成本低）
• 方案 B：基于 “参考音频” 的情感克隆。（最像真人）
• 方案 C：人工 + AI 协同方案。（品质最高）

方案 A 可以理解为是 “买现成的快餐”， 而方案 B 是 “用模具做饭”，那么方案 C 就是 “高级厨师用高科技炉灶烹饪”。因为它不是单纯靠模型生成，而是通过人工对文本和音频进行 拟人化修饰，能够抹除 AI 带来的机械感。

举个例子：领导要一段 “道歉” 的数据

• 普通 AI 做出的：“对不起，我意识到我做错了，请原谅。”（是不是感觉听起来像是在念稿子，没诚意？！）
• 方案 C 产出的：
  • 1）文本：[轻微叹气] 那个……真对不起啊，这件事……确实是我没考虑到位。[吸气] 别生气了好吗？
  • 2）调节： 将 “对不起” 语速放慢 20%，“确实” 二字重读。
  • 3）后期： 在开头加一个 0.5 秒的叹气声采样。

对于方案 C 目前不知道实现的复杂程度，先埋个伏笔…

3. TTS 产品调研

主包最近在研究语音生成，这行水很深，还没什么靠谱的官方评测。很多开源模型只能生成几秒音频，就是个玩具。而且模型小、更新快，五花八门，我这里做了个最新评测。

国内云服务

• MiniMax Audio：3 秒克隆音色，支持最长 20 万字符长文本，中文生态很强，适合做长音频。
• 阿里通义 Qwen3‑TTS：3 秒克隆，支持 10 种语言和多方言，免费额度高，适合批量生成。
• 科大讯飞：老牌长文本语音合成，支持一句话声音复刻，单次最高可合成 10 万字。

国际云服务

• ElevenLabs：自然度和情感拉满，单次能生成近 40 分钟音频，做有声书、旁白很合适。
• Fish Audio S1：10 秒克隆，情感表现力强，多语言 + 长文本 + 流式生成，性价比高。

开源 / 本地部署

• 微软 VibeVoice‑1.5B：开源里长音频天花板，单次可做 90 分钟、支持 4 人对话音频。
• Lipvoice（基于 IndexTTS‑2）：网页工具，支持约 12 万字符长文本，克隆+合成成本很低。
• IndexTTS‑2 / 2.5（B 站开源）：零样本音色克隆，情感和时长可控，支持长文本，适合本地部署。

详细过程如下所示。

4. 云服务 TTS

这里主要是介绍商业模式下的 TTS 云服务，开箱即用，并且支持长音频。

4.1 MiniMax Audio

官网地址：MiniMax Audio

它支持强推中文场景长音频云服务。它的核心优势如下：

• 音色克隆：可复刻音色与情感，音色相似度高
• 超长文本 / 长音频能力：单次支持 20 万字符 输入（可覆盖整本中长篇小说）
• 多语言：支持 30+ 语言，并且中文深度优化，具备本地化特性

打开 MiniMax Audio，界面如下：

文本转语音是 AI 音频工具的基础功能，但 “能出声” 和 “出好声” 的差距很大。MiniMax Audio 的文本转语音功能，核心优势在于自然度和细节控制。

其实接入 MiniMax 的 API 还蛮简单的，需要先获取 2 个重要参数，分别是 group_id 和 api_key。需要进入账户管理，就可以看到自己的 groupID 和 api_key。

具体可以去看 API 接入文档 这里不过多演示。

4.1.1 Python 接入 API

我这边构造了10条覆盖了极端情绪（狂喜、愤怒、崩溃）、细腻情绪（怀旧、委屈、安抚）以及复杂职场场景的长文本。每条文本都精心埋入了 MiniMax 的语气标签和停顿控制符，确保听起来不像在念稿子。

接着，我写了一个自动化生成脚本，并且已经配置好了这 10 条数据，音色选用了几款表现力较强的精品音色（如 -jingpin 系列）。

代码如下：

import requests
import os
import json

# 配置信息
API_TOKEN = "填写你自己的API-key"
URL = "https://api.minimaxi.com/v1/t2a_v2"

# 10条具有强烈情绪起伏的长文本任务
tasks = [
    {"name": "01_极度狂喜_甜美女性", "voice": "female-tianmei-jingpin", "emo": "happy",
     "text": "(gasps)中了！(inhale)真的中了！<#0.6#>领导你看，这组号码……(chuckle)跟电视上一模一样！(laughs)天呐！咱们熬了三个月，(breath)这回真的要发财了！(laughs)哈哈哈，太棒了！"},
    {"name": "02_压抑崩溃_大学生", "voice": "male-qn-daxuesheng-jingpin", "emo": "sad",
     "text": "(emm)我知道，(sniffs)我都知道……<#0.8#>可是我也没办反啊！(inhale)我每天只睡四个小时，(sighs)我已经拼了命在跑了！(pant)为什么？(gasps)为什么最后所有的错都要我来扛？(snorts)这不公平……真的不公平。"},
    {"name": "03_职场施压_沉稳高管", "voice": "Chinese (Mandarin)_Reliable_Executive", "emo": "angry",
     "text": "(clear-throat)我再强调最后一次，<#1.0#>这个项目如果明天早上八点见不到成品，(lip-smacking)你，还有你们整个小组，(hissing)全都给我卷铺盖走人。(snorts)别跟我解释那些客观原因，(breath)我只要结果。"},
    {"name": "04_温柔安抚_温暖闺蜜", "voice": "Chinese (Mandarin)_Warm_Bestie", "emo": "happy",
     "text": "(emm)好啦，<#0.5#>(chuckle)别再难过了。其实你看，(breath)现在的这些挫折，(inhale)等过两年再回头看，真的都不算什么。(chuckle)来，先喝口水，(lip-smacking)咱们慢慢想办法，好吗？"},
    {"name": "05_深夜怀旧_电台男主播", "voice": "Chinese (Mandarin)_Radio_Host", "emo": "sad",
     "text": "(sighs)又是这个时间点……<#1.2#>(breath)以前这个时候，咱们还在老校区的后街吃夜宵呢。(sniffs)那时候总觉得日子特别慢，(emm)以为大家能一辈子在一起。(sighs)哎，一晃眼，(inhale)都过去这么多年了。"},
    {"name": "06_焦急催促_南方小哥", "voice": "Chinese (Mandarin)_Southern_Young_Man", "emo": "angry",
     "text": "(pant)快点！快点呀！(gasps)救护车还有五分钟就到了！<#0.4#>(inhale)老张，你先把药给他服下！(pant)哎呀，(lip-smacking)别在那儿发呆了！(hissing)快动起来啊，人命关天！"},
    {"name": "07_阴阳怪气_傲娇御姐", "voice": "Chinese (Mandarin)_Mature_Woman", "emo": "neutral",
     "text": "(laughs)哟，(chuckle)这不是咱们的大功臣吗？<#0.8#>(lip-smacking)怎么，拿了这么高的奖金，(snorts)连老同事都不认识了？(inhale)也是，人家现在步步高升，(sighs)哪还记得咱们这些搬砖的呀。"},
    {"name": "08_劫后余生_温润青年", "voice": "Chinese (Mandarin)_Gentle_Youth", "emo": "neutral",
     "text": "(gasps)差一点……(pant)差一点就真的没命了。<#1.5#>(exhale)呼——(breath)刚才那辆车，真的是贴着我的衣服开过去的。(inhale)吓死我了，(chuckle)真的，到现在手还在抖呢。"},
    {"name": "09_坚定演说_精英青年", "voice": "male-qn-jingying-jingpin", "emo": "happy",
     "text": "(clear-throat)各位，<#0.5#>请看着我的眼睛。(inhale)虽然我们现在正处于最艰难的时刻，(breath)但只要我们不放弃，(snorts)胜利就一定属于我们！(laughs)为了共同的梦想，咱们再拼最后一把！"},
    {"name": "10_委屈求全_柔和少女", "voice": "Chinese (Mandarin)_Soft_Girl", "emo": "sad",
     "text": "(emm)我知道我不够聪明，(sniffs)可是……<#0.6#>(chuckle)可是我是真的很想把这份工作做好。(inhale)能不能……能不能再给我一次机会？(sighs)一次就好，(sniffs)哪怕不给工资我也愿意。"}
]


def generate_all():
    if not os.path.exists("final_samples"): os.makedirs("final_samples")
    headers = {"Content-Type": "application/json", "Authorization": f"Bearer {API_TOKEN}"}

    for t in tasks:
        print(f"正在合成: {t['name']}...")
        payload = {
            "model": "speech-2.8-hd",
            "text": t["text"],
            "stream": False,
            "voice_setting": {"voice_id": t["voice"], "speed": 1.0, "vol": 1, "pitch": 0, "emotion": t["emo"]},
            "audio_setting": {"sample_rate": 32000, "bitrate": 128000, "format": "mp3", "channel": 1}
        }
        response = requests.post(URL, json=payload, headers=headers)
        if response.status_code == 200:
            res_json = response.json()
            if res_json["base_resp"]["status_code"] == 0:
                with open(f"final_samples/{t['name']}.mp3", "wb") as f:
                    f.write(bytes.fromhex(res_json["data"]["audio"]))
                print(f"  [OK] 保存成功")
            else:
                print(f"  [Error] {res_json['base_resp']['status_msg']}")
        else:
            print(f"  [HTTP Error] {response.status_code}")


if __name__ == "__main__":
    generate_all()

结果如下：

关于文本的处理，我不仅是输入了字，还对文本进行了 “拟人化改写”。比如第 5 条的 “深夜怀旧”，故意设置了长达 1.2秒 的停顿，这种 留白 是目前 AI 最难、但我们已经实现的效果。

4.2 阿里通义 Qwen3‑TTS（音色设计 + 3 秒克隆）

官网地址：Qwen3-TTS

它的核心优势如下：

• 音色设计：通过自然语言描述直接设计音色（例如 “30 岁温柔女老师、略带东北口音、语速稍快、情绪兴奋”），可对音色、韵律、情感、人设进行精细控制。
• 多语言与方言支持：支持 10 大主流语言 + 多种方言，覆盖场景广泛。
• 多语言精度优势：在 MiniMax TTS 多语测试集上，词错误率优于 MiniMax、ElevenLabs 等竞品。
• 适合场景：多语言版本的有声内容制作，或者整本书、一系列文章批量转成音频（批量生产需求）

打开阿里百炼语音合成，界面如下：

前往 模型服务中心 创建好 API-key 即可，接着再去 API 参考文档中心 调用即可。

4.2.1 Python 接入 API

其中，instructions 指令控制是 Qwen3-TTS-Instruct-Flash 的核心灵魂。它把 “调音师” 的工作变成了 “导演” 的工作：你不需要去调参数，只需要给模型下达具体的文学性指令。

还是老样子，我重新构造了这 10 条数据。每一条都结合了音色特质和多维度指令（音调 + 语速 + 情感 + 特点），确保生成的音频具有极强的人格化特征。

代码如下所示：

import os
import dashscope
import requests

# 1. 配置 API Key
dashscope.api_key = "API-Key"

# 2. 任务清单
tasks = [
    {"name": "01_穿搭博主_Cherry", "voice": "Cherry",
     "inst": "语速较快，音调偏高，带有明显的阳光活力感和感染力，像是在镜头前兴奋地分享好物。",
     "text": "宝子们！快看这款T恤，颜色真的绝了！超级显白！别犹豫，闭眼冲好吗？穿上它你就是这条街最靓的仔！"},
    {"name": "02_深夜树洞_Serena", "voice": "Serena",
     "inst": "语速偏慢，音调温柔低沉，带有明显的治愈感和关怀感，语气轻柔，像是在耳边低语。",
     "text": "忙了一整天，辛苦了…… 现在，请试着闭上眼睛。听着窗外滴滴答答的雨声，把那些烦心事都暂时放下吧。"},
    {"name": "03_朝气学弟_Ethan", "voice": "Ethan",
     "inst": "标准普通话，语速中等偏快，声音洪亮有力，充满朝气和自信，带有一点惊喜的语气。",
     "text": "学姐！嘿，真巧啊在这儿碰见你！那个……待会儿我们要去体育馆打球，你要不要一起来看？我投篮贼准！"},
    {"name": "04_调皮顽童_Pip", "voice": "Pip",
     "inst": "语速跳跃，音调较高且富有弹性，语气调皮搞怪，带有典型的童真色彩，模仿小孩子的撒娇感。",
     "text": "嘿嘿，你抓不到我吧！略略略！妈妈说今天表现好就有冰淇淋吃，那我现在是不是全宇宙表现最棒的小朋友呀？"},
    {"name": "05_烟嗓老者_Arthur", "voice": "Arthur",
     "inst": "语速缓慢，嗓音沙哑厚重，带有明显的岁月沧桑感，语气不疾不徐，像是在村头老槐树下讲古。",
     "text": "嘿嘿，那年大水发得紧呐…… 村东头那棵老槐树啊，一夜之间就没了踪影。这事儿说起来啊，其实还得从我爷爷那辈讲起。"},
    {"name": "06_羞涩初恋_Mia", "voice": "Mia",
     "inst": "语速偏慢且有轻微的停顿，音调柔和，语气羞涩、小心翼翼，带有一点点紧张和期许。",
     "text": "那个……这是我亲手织的围巾。虽然样子不太好看，但是……但是真的很保暖的。你……你能收下它吗？"},
    {"name": "07_耳朵SPA_Kai", "voice": "Kai",
     "inst": "语速极慢，吐字圆润清晰，音调平稳中庸，带有极强的磁性和放松感，像是一场耳朵的SPA。",
     "text": "放慢你的思绪，深呼吸。感受空气在肺部缓缓流转。在这繁忙的世界里，给自己留出这几分钟的纯净时光。"},
    {"name": "08_知性优雅_Maia", "voice": "Maia",
     "inst": "语速适中，吐字精准，音调知性优雅，语气平稳且富有逻辑感，像是在美术馆进行导览。",
     "text": "艺术，不仅仅是画布上的色彩，更是对生命的深层思考。让我们一起走进这间画廊，去寻找灵魂的共鸣。"},
    {"name": "09_二次元女友_Chelsie", "voice": "Chelsie",
     "inst": "音调偏高，语速轻快多变，带有明显的二次元动漫感，情感表达夸张，先生气后撒娇。",
     "text": "笨蛋！谁让你刚才一直不理我的？哼！不过看在你带了小蛋糕的份上，我就勉为其难地原谅你这一次啦！嘿嘿！"},
    {"name": "10_拽拽的小暴躁_Vivian", "voice": "Vivian",
     "inst": "语速偏快，语气冲且带有明显的不耐烦，音色清脆有力，带有拽拽的个性，情感外露。",
     "text": "烦死了！说了多少遍了，不要动我的东西！你怎么就是记不住啊？懂不懂什么叫个人隐私啊？再敢乱翻我炸毛了哦！"}
]


def generate_qwen3_instruct():
    output_dir = "qwen3_instruct_samples"
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)

    for task in tasks:
        print(f"正在生成: {task['name']}...")
        try:
            response = dashscope.MultiModalConversation.call(
                model="qwen3-tts-instruct-flash",
                text=task['text'],
                voice=task['voice'],
                language_type="Chinese",
                instructions=task['inst'],
                optimize_instructions=True
            )

            if response.status_code == 200:
                # 根据你提供的 JSON 结构，提取 audio 下的 url
                audio_info = response.output.audio

                # 在 SDK 中，audio_info 可能是个对象，也可能是个字典
                # 我们优先尝试获取 url 属性或键
                audio_url = getattr(audio_info, 'url', None) or audio_info.get('url')

                if audio_url:
                    print(f"  [INFO] 获取到 URL，开始下载音频...")
                    audio_res = requests.get(audio_url)

                    file_path = os.path.join(output_dir, f"{task['name']}.wav")  # Qwen3默认通常是wav
                    with open(file_path, 'wb') as f:
                        f.write(audio_res.content)
                    print(f"  [DONE] 已成功保存: {file_path}")
                else:
                    print(f"  [ERROR] 无法在返回结果中找到 audio 字段或 url 字段")
            else:
                print(f"  [ERROR] {response.code}: {response.message}")
        except Exception as e:
            print(f"  [EXCEPT] {str(e)}")


if __name__ == "__main__":
    generate_qwen3_instruct()

结果如下所示：

4.3 科大讯飞

官网地址：长文本语音合成 API 文档

它的核心优势如下：

• 长文本能力：单次合成上限约 10 万字符，10 万字最快约 3 分钟合成完毕。并且支持多种发音人 + 中英混合，适合长篇阅读、有声读物、新闻播报等。
• 音色克隆 / 声音复刻：1 句话就能定制音色，并且一句录音复刻任意音色，再用指令改变风格。
• 适合定位：偏传统企业级、合规 + 长文本 + 复刻自己或主播声音。

官网界面如下：

另外，还是需要去 控制台 开通权限。

4.3.1 Python 接入 API

科大讯飞的这款 DTS (大文本合成) 接口与之前的 Qwen 或 MiniMax 不同，它是一个异步任务系统。需要先提交任务获取 task_id，然后不断轮询（Query）直到合成完成获取下载链接。

还是老样子，我构造了 10 条覆盖了 纪录片、新闻、童书、广告直播、影视解说 等全场景的文案，并重新整合了代码，使其支持批量循环处理。

这个脚本会自动循环这 10 条数据，提交任务、轮询结果并保存。

代码如下：

import requests
import json
import base64
import hashlib
import time
from urllib.parse import urlencode
import hmac
from datetime import datetime
from wsgiref.handlers import format_date_time
from time import mktime
import os

# --- 配置信息 ---
HOST = "api-dx.xf-yun.com"
APP_ID = "xxx"
API_KEY = "xxxx"
API_SECRET = "xxxxx"

# 10条任务配置
TASKS_DATA = [
    {"name": "01_纪录片_关山", "vcn": "x4_guanshan", "text": "岁月流转，大地的肌理记录着文明的兴衰。在这片被时光遗忘的荒原上，每一块碎石都曾见证过帝国的崛起。"},
    {"name": "02_影视解说_希涵", "vcn": "x4_yeting", "text": "注意看，这个男人叫小帅，他怎么也没想到，自己刚买的豪宅竟然是个大坑。剧情保证让你大开眼界！"},
    {"name": "03_新闻播报_聆小珊", "vcn": "x4_lingxiaoshan_profnews", "text": "各位观众晚上好，欢迎收看今天的整点新闻。据本台最新消息，全球首个零碳智慧港口今日正式运营。"},
    {"name": "04_童话故事_豆豆", "vcn": "x4_doudou", "text": "在森林的深处，住着一只爱打喷嚏的小兔子。每当它大喊一声，天上的星星就会跟着抖一下。"},
    {"name": "05_文学阅读_千雪", "vcn": "x4_qianxue", "text": "窗外的雨一直没停，像是在低声诉说着谁的秘密。她合上手中的书，看那茶杯里的热气慢慢升腾。"},
    {"name": "06_老年男声_聆伯松", "vcn": "x4_lingbosong", "text": "哎，那是民国二十年的事咯。那时候的上海滩，到处都是黄包车的铃铛声。现在的年轻人，哪记得咯。"},
    {"name": "07_直播带货_聆小臻", "vcn": "x4_lingxiaozhen_eclives", "text": "家人们！注意啦！今天这款面霜直接破价！只有最后五十单，再不抢真的就没啦！三、二、一，上链接！"},
    {"name": "08_游戏解说_飞碟哥", "vcn": "x4_feidie", "text": "关键时刻！对方打野已经绕后，上单根本不慌，一个反向闪现接大招，瞬间反杀！全场起立！"},
    {"name": "09_学术解说_小忠", "vcn": "x4_xiaozhong", "text": "综上所述，该算法通过引入残差连接，有效地解决了深度神经网络中的梯度消失问题。"},
    {"name": "10_午后电台_明哥", "vcn": "x4_mingge", "text": "听一首歌，想一个人。欢迎回到时光留声机。我会用声音陪你走过城市的喧嚣。"}
]

class XFTTSHandler():
    def __init__(self):
        self.host = HOST
        self.app_id = APP_ID
        self.api_key = API_KEY
        self.api_secret = API_SECRET

    def assemble_auth_params(self, path):
        format_date = format_date_time(mktime(datetime.now().timetuple()))
        signature_origin = f"host: {self.host}\ndate: {format_date}\nPOST {path} HTTP/1.1"
        signature_sha = hmac.new(self.api_secret.encode('utf-8'), signature_origin.encode('utf-8'), digestmod=hashlib.sha256).digest()
        signature_sha = base64.b64encode(signature_sha).decode(encoding='utf-8')
        authorization_origin = f'api_key="{self.api_key}", algorithm="hmac-sha256", headers="host date request-line", signature="{signature_sha}"'
        authorization = base64.b64encode(authorization_origin.encode('utf-8')).decode(encoding='utf-8')
        return {"host": self.host, "date": format_date, "authorization": authorization}

    def create_task(self, text, vcn):
        path = "/v1/private/dts_create"
        auth_url = "http://" + self.host + path + "?" + urlencode(self.assemble_auth_params(path))
        txt_base64 = base64.b64encode(text.encode("UTF-8")).decode()
        data = {
            "header": {"app_id": self.app_id},
            "parameter": {
                "dts": {
                    "vcn": vcn, "language": "zh", "speed": 50, "volume": 50, "pitch": 50,
                    "audio": {"encoding": "lame", "sample_rate": 16000, "channels": 1, "bit_depth": 16}
                }
            },
            "payload": {"text": {"encoding": "utf8", "compress": "raw", "format": "plain", "text": txt_base64}}
        }
        res = requests.post(url=auth_url, headers={'Content-Type': 'application/json'}, data=json.dumps(data))
        return json.loads(res.text)

    def query_task(self, task_id):
        path = "/v1/private/dts_query"
        auth_url = "http://" + self.host + path + "?" + urlencode(self.assemble_auth_params(path))
        data = {"header": {"app_id": self.app_id, "task_id": task_id}}
        res = requests.post(url=auth_url, headers={'Content-Type': 'application/json'}, data=json.dumps(data))
        return json.loads(res.text)

def main():
    handler = XFTTSHandler()
    if not os.path.exists("xf_samples"): os.makedirs("xf_samples")

    for item in TASKS_DATA:
        print(f"\n>>> 正在处理: {item['name']}")
        # 1. 创建任务
        create_res = handler.create_task(item['text'], item['vcn'])
        if create_res.get('header', {}).get('code') != 0:
            print(f"创建失败: {create_res}")
            continue
        
        task_id = create_res['header']['task_id']
        print(f"任务创建成功，ID: {task_id}，开始轮询...")

        # 2. 轮询结果
        download_url = None
        for i in range(15):  # 最多等15秒
            time.sleep(1)
            query_res = handler.query_task(task_id)
            status = query_res.get('header', {}).get('task_status')
            if status == '5':
                encoded_url = query_res.get('payload', {}).get('audio', {}).get('audio')
                download_url = base64.b64decode(encoded_url).decode()
                break
            print(f"等待中 (状态:{status})...")

        # 3. 下载
        if download_url:
            audio_content = requests.get(download_url).content
            filename = f"xf_samples/{item['name']}.mp3"
            with open(filename, "wb") as f:
                f.write(audio_content)
            print(f"✅ 保存成功: {filename}")
        else:
            print("❌ 转换超时或失败")

if __name__ == "__main__":
    main()

结果如下：

4.4 ElevenLabs

官网地址：文本转语音，它被业内和大量测评视为 AI 配音黄金标准，在情绪控制、停顿、咬字自然度上优势突出，贴合真人表达质感。

它的核心优势如下：

• 长音频能力：官方支持 Flash / Turbo 模型，单次最多约 40,000 字符，对应约 40 分钟音频。
• 音色克隆：仅需 1–2 分钟语音样本即可完成克隆。
• 适合场景：面向全球的多语言有声书、剧情配音、游戏 NPC 语音。

界面如下所示：

免费赠送的 API 是没有额度的，所以也无法调用，那么直接在线生成音频即可。

4.5 Fish Audio S1

官网地址：Fish Audio。

它的核心优势如下：

• 音色克隆：只需约10 秒样本就能克隆真实人声，精准保留口音、节奏、情绪特征。
• 核心特点：重点强调“情感丰富、节奏变化自然”，贴合真人情绪化表达，适配多样情感需求。
• 适合场景：剧情配音、情绪化独白；尤其适合内容主要发布在 B 站 / 抖音 / YouTube 等视频平台，性价比极高。

界面如下所示：

当然，也可以去访问 API 参考文档 直接调用即可。

4.5.1 Python 调用 API

Fish Audio 是目前 TTS 界公认的 “黑马”，它的 V3-HD 模型在音质拟真度和情绪渲染上非常出色，特别是它支持 emotion 情绪控制参数，这让你在汇报时可以展示非常细腻的垂直场景能力。

鉴于 Fish Audio 拥有大量极具个性的人设（如麦克阿瑟、葛大爷、丁真等），我这次构造的文案会更加侧重于角色扮演和强烈的情绪反差。

下面这个脚本将不再执行下载动作，而是直接把生成的所有 audio_url 整理输出，直接去下载即可。

代码如下所示：

import requests
import os
import json

# --- 配置信息 ---
API_KEY = "API-KEY"
API_URL = "https://fishaudio.net/api/open/tts"

# 任务列表
# TASKS = [
#     {"name": "01_麦克阿瑟_冷静", "model_id": "e45668ef-7c4f-4966-b030-899fc63276c1", "emotion": "calm",
#      "text": "每一个老兵都不会凋零，他们只是逐渐远去。在这个战场上，我们不仅是在对抗敌人，更是在书写传奇。"},
#     {"name": "02_葛大爷_开心", "model_id": "172eb8cd-cb45-4b3d-85d3-d12e1068ddf4", "emotion": "happy",
#      "text": "嘿，您还真别说，这小日子过得，那叫一个地道！咱就往这儿一躺，看云起云落，这就是生活的真谛。"},
#     {"name": "03_正式男播音_愤怒", "model_id": "70df28f8-b5d1-4112-9ba2-8e260661c90e", "emotion": "angry",
#      "text": "这种公然破坏公约的行为，是绝对不能被容忍的！我们必须采取最严厉的措施，来维护市场的基本公平。"},
#     {"name": "04_女主播大白兔_惊讶", "model_id": "ff66d8d5-818f-43a8-9b6b-7936b6e75900", "emotion": "surprised",
#      "text": "哇！家人们快看！这简直是我见过最神奇的设计了，你们敢相信这居然是全手工制作的吗？太绝了！"},
#     {"name": "05_懒羊羊_悲伤", "model_id": "37a75f15-7397-4f39-bd4b-dca7937baf1f", "emotion": "sad",
#      "text": "喜羊羊……我又被灰太狼抓住了。这次我是真的跑不动了，如果我回不去，你们一定要帮我吃掉草莓蛋糕。"},
#     {"name": "06_丁真_平静", "model_id": "2292e4c6-f781-43da-bacd-8a815834c9c3", "emotion": "calm",
#      "text": "这里的雪山很干净，马儿跑得也很快。希望你们也能来理塘，看一看最蓝的天空和最清澈的河水。"},
#     {"name": "07_Trump_开心", "model_id": "c83acaa0-512d-4be5-a28e-e3d9893d815f", "emotion": "happy",
#      "text": "We are going to make a great result! It's going to be huge! 没人比我更懂合成，这是最棒的声音！"},
#     {"name": "08_御女茉莉_恐惧", "model_id": "2ded03d1-316d-457a-a527-a3cd082e5d05", "emotion": "fearful",
#      "text": "谁？是谁在那里？……别过来，我警告你，这种恶作剧一点也不好笑，快点出来！"},
#     {"name": "09_诸葛亮_庄重", "model_id": "a9c9f092-ba9b-498a-a990-d97e2a0bc6d9", "emotion": "calm",
#      "text": "臣受命以来，夙夜忧叹，恐付托不效，以伤先帝之明。今南方已定，兵甲已足，当奖率三军。"},
#     {"name": "10_蔡徐坤_厌恶", "model_id": "82e14166-b5cb-46fb-92cd-319d442e38a8", "emotion": "disgusted",
#      "text": "这种无聊的流言蜚语，我已经听得太多了。如果你不懂艺术，请至少保持基本的尊重，好吗？"}
# ]
# 任务列表（精简版：大幅降低额度消耗）
TASKS = [
    {"name": "01_麦克阿瑟_冷静", "model_id": "e45668ef-7c4f-4966-b030-899fc63276c1", "emotion": "calm", "text": "老兵不死，只是凋零。"},
    {"name": "02_葛大爷_开心", "model_id": "172eb8cd-cb45-4b3d-85d3-d12e1068ddf4", "emotion": "happy", "text": "这日子过得，地道！"},
    {"name": "03_正式男播音_愤怒", "model_id": "70df28f8-b5d1-4112-9ba2-8e260661c90e", "emotion": "angry", "text": "这是绝对不能容忍的行为！"},
    {"name": "04_女主播大白兔_惊讶", "model_id": "ff66d8d5-818f-43a8-9b6b-7936b6e75900", "emotion": "surprised", "text": "哇！这也太神奇了吧！"},
    {"name": "05_懒羊羊_悲伤", "model_id": "37a75f15-7397-4f39-bd4b-dca7937baf1f", "emotion": "sad", "text": "我回不去了，帮我吃掉蛋糕。"}
]

def get_fish_audio_urls():
    results = []
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {API_KEY}"
    }

    print("--- 开始请求 Fish Audio 接口 ---")
    for task in TASKS:
        payload = {
            "reference_id": task['model_id'],
            "text": task['text'],
            "speed": 1.0,
            "volume": 0,
            "version": "v3-hd",
            "emotion": task['emotion'],
            "language": "zh",
            "format": "mp3",
            "cache": True
        }

        try:
            response = requests.post(API_URL, headers=headers, json=payload)
            if response.status_code == 200:
                data = response.json()
                url = data.get("audio_url")
                results.append(f"{task['name']}: {url}")
                print(f"✅ 已获取: {task['name']}")
            else:
                print(f"❌ 失败: {task['name']}, 错误: {response.text}")
        except Exception as e:
            print(f"⚠️ 异常: {task['name']}, {str(e)}")

    # 将结果保存到文本文件
    with open("fish_urls.txt", "w", encoding="utf-8") as f:
        f.write("\n".join(results))

    print("\n--- 全部完成 ---")
    print("生成的所有链接已保存在同级目录下的 'fish_urls.txt' 文件中。")


if __name__ == "__main__":
    get_fish_audio_urls()

很尴尬的是，它送的免费额度很少很少，所以最后只生成了 3 个样例。

5. 本地方案

下面这些 TTS 服务都是开源的，所以适合想完全掌控，并且低成本的大规模部署。

5.1 IndexTTS‑2

官网地址：IndexTTS2。

IndexTTS-2 是 B 站 Index 团队开源的第二代零样本文本转语音系统。说白了就是：给它一段参考音频，它就能用这个声音说任何你想说的话，还能带情绪。

它的功能如下：

• 零样本语音克隆：只需 5 ~ 10 秒目标说话人音频，就能用该音色合成任意文本。
• 情感 & 音色解耦：可分别指定 “音色参考音频” 和 “情感参考音频”，或用文字描述情感（激昂、委屈、低语等）。
• 时长控制：支持毫秒级时长控制，可精确指定语速或目标时长，解决字幕 / 口型对齐问题。
• 长文本支持：官方文档、实测与周边工具（如 Lipvoice、一键包）都强调其长文本稳定生成能力，可处理章节/整书级内容。
• 适合：完全自定义 TTS 流水线；或者需要情感可控 + 时长可控 + 零样本克隆。

官网界面如下：

5.1.1 本地部署

这里我们选择本地部署，它的硬件要求如下：

• GPU：NVIDIA GPU + CUDA 12.8+（推荐）
• 内存：8GB+（推荐 16GB）
• 存储：10GB+

安装

IndexTTS-2 的安装方式比较现代化，必须用 uv 包管理器，官方不支持 conda 和 pip（原因是依赖版本太敏感）。详情可见 github仓库

命令如下：

# 1. 安装 uv
pip install -U uv

# 2. 克隆仓库
git clone https://github.com/index-tts/index-tts.git && cd index-tts
git lfs pull

# 3. 安装依赖
uv sync --all-extras

# 4. 下载模型
uv tool install "huggingface-hub[cli,hf_xet]"
hf download IndexTeam/IndexTTS-2 --local-dir=checkpoints

# 如果 HuggingFace 访问慢，可以用 ModelScope：
uv tool install "modelscope"
modelscope download --model IndexTeam/IndexTTS-2 --local_dir checkpoints

使用

Web Demo 一键启动：

uv run webui.py

访问 http://127.0.0.1:7860 即可体验。

除此之外，Python API 使用：

from indextts.infer_v2 import IndexTTS2

tts = IndexTTS2(
    cfg_path="checkpoints/config.yaml",
    model_dir="checkpoints",
    use_fp16=True,  # 省显存
    use_cuda_kernel=False,
    use_deepspeed=False
)

# 基础语音克隆
text = "大家好，我是 AI 配音"
tts.infer(
    spk_audio_prompt='examples/voice_01.wav',
    text=text,
    output_path="gen.wav"
)

情感控制的几种方式：

# 方式 1：参考音频控制情感
tts.infer(
    spk_audio_prompt='voice.wav',  # 音色
    emo_audio_prompt='emo_sad.wav',  # 情感
    text=text,
    emo_alpha=0.9,  # 情感强度
    output_path="gen.wav"
)

# 方式 2：情感向量控制
# [happy, angry, sad, afraid, disgusted, melancholic, surprised, calm]
tts.infer(
    spk_audio_prompt='voice.wav',
    emo_vector=[0, 0, 0, 0, 0, 0, 0.45, 0],  # 惊讶
    text=text,
    output_path="gen.wav"
)

# 方式 3：自然语言描述情感
tts.infer(
    spk_audio_prompt='voice.wav',
    text="快躲起来！是他要来了！他要来抓我们了！",
    use_emo_text=True,  # 自动从文本推断情感
    emo_alpha=0.6,
    output_path="gen.wav"
)

我这边测试的内容如下：

### 1. 喜（开心）
今天真的太开心了，不仅事情进展得特别顺利，还收到了大家的鼓励和支持，一整天心情都特别好，感觉做什么都特别有劲头。

### 2. 怒（生气）
我真的有点生气了，明明提前跟你说过很多次，结果你还是没有放在心上，完全不考虑我的感受，这样真的很让人失望。

### 3. 哀（难过）
不知道为什么，突然就觉得心里特别难受，有些事情想起来就忍不住难过，明明不想这样，却还是控制不住自己的情绪。

### 4. 惧（害怕）
刚才突然听到外面有奇怪的声音，我一下子就紧张起来了，心怦怦直跳，一个人待着的时候，真的会有点害怕。

### 5. 厌恶（反感）
我真的很不喜欢别人随便乱动我的东西，也很反感说话不算数、出尔反尔的行为，这些做法真的让人很不舒服。

### 6. 低落（消沉）
最近整个人都提不起精神，做什么都觉得没力气，心里闷闷的，也不想说话，就只想安安静静地待一会儿。

### 7. 惊喜（意外开心）
我真的完全没有想到，你居然给我准备了这么大的惊喜，本来以为只是普通的一天，结果一下子被感动到了。

### 8. 平静（安稳）
现在什么都不想去想，也不想去争什么，就想安安静静地待着，听听歌、发发呆，这种平静安稳的感觉真的很舒服。

5.2 VibeVoice‑1.5B

官网地址：VibeVoice

它的功能如下：

• 长音频天花板：单次可合成最长 90 分钟连续音频，最多 4 个不同说话人同时出现在对话中。
• 面向 “播客式” 长音频设计，极适合：自动生成整期播客长篇对话类节目（访谈、圆桌讨论）
• 音色 / 说话人：支持多说话人，能从参考音频中进行语音克隆（voice cloning from audio samples）。

官网界面如下：

目前官方已经关闭了在线使用界面，只能部署到本地才能使用：VibeVoice-TTS

5.2.1 本地部署

部署 VibeVoice：

# 克隆仓库
git clone https://github.com/microsoft/VibeVoice.git
cd VibeVoice

# 安装依赖
pip install -r requirements.txt

# 下载轻量模型（约1.5GB）
python download_model.py --model small

# 启动服务
python app.py --port 8000

搞科研就要不计回报，整天想休息是什么态度？实验室大家都加班，你凭什么先走？周末把这个实验重做一遍，补助之类的别总挂在嘴边。 

效果展示：

6. 最终展示

直接本地使用 Python 实现一个简单的音频播放网页，选用 Flask 框架。

由于有不同模型的分类，我们可以通过文件夹结构来组织音频，并让 Python 自动读取这些文件生成网页。

6.1 准备工作

首先，确保你安装了 Flask：

pip install flask

将不同模型的音频放在各自的子文件夹中：

my_audio_project/
├── app.py
├── static/
│   ├── model_1/
│   │   └── 01-demo.mp3
│   ├── model_2/
│   │   └── test.wav
│   └── ... (以此类推到 model_7)
└── templates/
    └── index.html

6.2 编写后端代码 (app.py)

这段代码会自动扫描 static/model_1 文件夹下的所有音频文件，并将文件名传递给前端。

import os
from flask import Flask, render_template

app = Flask(__name__)

@app.route('/')
def index():
    base_dir = 'static'
    # 获取 static 目录下所有的文件夹（即模型名称）
    model_folders = [d for d in os.listdir(base_dir) if os.path.isdir(os.path.join(base_dir, d))]
    model_folders.sort()  # 按名称排序 model_1, model_2...

    all_data = {}
    for folder in model_folders:
        folder_path = os.path.join(base_dir, folder)
        # 获取该模型文件夹下所有的音频文件
        files = [f for f in os.listdir(folder_path) if f.endswith(('.mp3', '.wav'))]
        files.sort()
        all_data[folder] = files

    return render_template('index.html', all_data=all_data)

if __name__ == '__main__':
    app.run(debug=True)

6.3 编写前端页面 (templates/index.html)

使用嵌套循环，外层循环生成模型标题，内层循环生成音频列表。

<!DOCTYPE html>
<html lang="zh-CN">
<head>
    <meta charset="UTF-8">
    <title>多模型音频对比展示</title>
    <style>
        body { font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif; max-width: 900px; margin: 40px auto; background-color: #f9f9f9; color: #333; }
        .model-section { background: white; padding: 20px; border-radius: 8px; box-shadow: 0 2px 5px rgba(0,0,0,0.1); margin-bottom: 30px; }
        h2 { border-left: 5px solid #007bff; padding-left: 15px; color: #007bff; text-transform: capitalize; }
        
        table { width: 100%; border-collapse: collapse; margin-top: 10px; }
        th, td { text-align: left; padding: 12px; border-bottom: 1px solid #eee; }
        th { background-color: #fcfcfc; color: #666; }
        
        .file-name { font-family: monospace; color: #555; }
        audio { height: 32px; vertical-align: middle; }
    </style>
</head>
<body>

    <h1 style="text-align: center;">音频合成效果展示</h1>

    {% for model_name, files in all_data.items() %}
    <div class="model-section">
        <h2>{{ model_name.replace('_', ' ') }} 合成的语音：</h2>
        <table>
            <thead>
                <tr>
                    <th>文件名</th>
                    <th>播放器</th>
                </tr>
            </thead>
            <tbody>
                {% for file in files %}
                <tr>
                    <td class="file-name">{{ file }}</td>
                    <td>
                        <audio controls preload="none">
                            <source src="{{ url_for('static', filename=model_name + '/' + file) }}" type="audio/mpeg">
                        </audio>
                    </td>
                </tr>
                {% endfor %}
            </tbody>
        </table>
    </div>
    {% endfor %}

</body>
</html>

如果你以后增加到 10 个模型，只需在 static 下新建文件夹并丢入音频，不需要改动任何代码。

6.4 如何运行

在终端运行：python app.py，打开浏览器访问：http://127.0.0.1:5000 即可。