高效语音合成新选择：Voice Sculptor镜像快速上手教程

1. 快速启动与环境准备

1.1 启动 Voice Sculptor WebUI

Voice Sculptor 是基于 LLaSA 和 CosyVoice2 构建的指令化语音合成模型，支持通过自然语言描述定制音色。使用前需先启动其 Web 用户界面。

在终端中执行以下命令：

/bin/bash /root/run.sh

成功启动后，终端将输出类似信息：

Running on local URL: http://0.0.0.0:7860

1.2 访问 Web 界面

打开浏览器并访问以下任一地址：

http://127.0.0.1:7860
http://localhost:7860

若在远程服务器运行，请将127.0.0.1替换为实际 IP 地址。

如需重启服务，再次执行上述脚本即可。该脚本会自动完成以下操作： - 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服务

2. 界面功能详解

2.1 左侧：音色设计面板

风格与文本区域（默认展开）

组件	功能说明
风格分类	可选“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
指令文本	描述目标声音特征（≤200 字）
待合成文本	输入需要语音合成的文字内容（≥5 字）

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：

年龄：小孩 / 青年 / 中年 / 老年
性别：男性 / 女性
音调高度：从“音调很高”到“音调很低”
音调变化：从“变化很强”到“变化很弱”
音量：从“音量很大”到“音量很小”
语速：从“语速很快”到“语速很慢”
情感：开心 / 生气 / 难过 / 惊讶 / 厌恶 / 害怕

⚠️ 建议细粒度参数与指令文本保持一致，避免冲突导致效果失真。

最佳实践指南（默认折叠）

包含撰写有效指令文本的建议和约束条件，帮助用户提升生成质量。

2.2 右侧：生成结果面板

组件	功能说明
生成音频按钮	点击开始合成语音
生成音频 1/2/3	展示三次不同随机种子下的合成结果，便于对比选择

3. 使用流程详解

3.1 方式一：使用预设模板（推荐新手）

适用于初次使用者，快速体验高质量语音合成效果。

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”中选择一个预设项（如“幼儿园女教师”）
“指令文本”和“待合成文本”将自动填充示例内容
可选修改
修改“待合成文本”为你想表达的内容
可微调“指令文本”以个性化音色
生成音频
点击“🎧 生成音频”按钮
等待约 10–15 秒完成合成
试听与下载
试听三个版本，挑选最满意的结果
点击右下角下载图标保存至本地

3.2 方式二：完全自定义音色

适合有特定需求的专业用户，实现高度个性化的语音风格。

任意选择一个“风格分类”
在“指令风格”中选择“自定义”
手动填写“指令文本”，参考下一节写法建议
输入“待合成文本”
（可选）启用“细粒度声音控制”进行精准调节
点击“生成音频”获取结果

4. 声音风格与指令编写技巧

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、睡前故事
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	情感配音、角色扮演
年轻妈妈	柔和偏低、温暖安抚、轻柔哄劝	儿歌、安抚内容
小女孩	天真高亢、快节奏、尖锐清脆	儿童配音、活泼内容
老奶奶	沙哑低沉、极慢温暖、怀旧神秘	民间故事、传说
诗歌朗诵	深沉磁性、顿挫有力、激昂澎湃	诗歌、演讲、宣言
童话风格	甜美夸张、跳跃变化、奇幻	童话、动画配音
评书风格	传统说唱、变速节奏、江湖气	武侠故事、传统评书

职业风格（7 种）

风格	特点	典型场景
新闻风格	标准普通话、平稳专业、客观中立	新闻播报、正式内容
相声风格	夸张幽默、时快时慢、起伏大	相声、喜剧内容
悬疑小说	低沉神秘、变速节奏、悬念感	悬疑故事、恐怖小说
戏剧表演	夸张戏剧、忽高忽低、充满张力	戏剧独白、表演
法治节目	严肃庄重、平稳有力、法律威严	法治栏目、严肃内容
纪录片旁白	深沉磁性、缓慢画面感、敬畏诗意	纪录片、自然类内容
广告配音	沧桑浑厚、缓慢豪迈、历史底蕴	商业广告、品牌宣传

特殊风格（2 种）

风格	特点	典型场景
冥想引导师	空灵悠长、极慢飘渺、禅意	冥想、放松、助眠
ASMR	气声耳语、极慢细腻、极度放松	ASMR、助眠内容

4.2 如何写出高效的指令文本

✅ 优质指令示例分析

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。

优点解析：- 明确人设：男性评书表演者 - 具体音色：传统说唱腔调 - 节奏特征：变速、韵律感强 - 情绪氛围：江湖气 - 多维度覆盖：人设 + 音色 + 节奏 + 情感

❌ 无效指令常见问题

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 - 未定义人设或使用场景

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”等主观表达
不做模仿	不要写“像某某明星”，只描述声音特质
精炼	每个词都应传递信息，避免重复强调（如“非常非常”）

5. 细粒度控制策略

5.1 参数说明表

参数	可选值	作用说明
年龄	不指定/小孩/青年/中年/老年	控制说话者的年龄感
性别	不指定/男性/女性	控制说话者的性别
音调高度	不指定/音调很高→很低	控制声音的音高
音调变化	不指定/变化很强→很弱	控制语调的起伏程度
音量	不指定/音量很大→很小	控制整体响度
语速	不指定/语速很快→很慢	控制说话速度
情感	不指定/开心/生气/难过/惊讶/厌恶/害怕	控制情绪倾向

5.2 实际组合应用示例

目标效果：年轻女性激动地说好消息

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。 细粒度控制设置： - 年龄：青年 - 性别：女性 - 语速：语速较快 - 情感：开心

提示：大多数情况下无需填写所有参数，“不指定”即可由模型根据指令自动推断。

6. 常见问题与解决方案

Q1：音频生成需要多长时间？

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：为何相同输入生成的音频不同？

这是模型固有的随机性机制所致，旨在增加多样性。建议： - 多次生成（3–5 次） - 从中挑选最符合预期的版本

Q3：音频质量不满意怎么办？

尝试以下优化方法： 1. 多生成几次，选择最佳结果 2. 优化指令文本，使其更具体、完整 3. 检查细粒度控制是否与指令描述矛盾

Q4：支持多长的文本合成？

单次建议不超过200 字
更长文本建议分段合成后拼接

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？

可直接点击网页中的下载图标保存
自动存储于outputs/目录，按时间戳命名
包含 3 个音频文件及metadata.json元数据

Q7：出现 CUDA out of memory 错误如何处理？

执行以下清理命令：

# 终止 Python 进程 pkill -9 python # 释放 GPU 设备 fuser -k /dev/nvidia* # 等待 3 秒 sleep 3 # 查看显存状态 nvidia-smi

然后重新运行/root/run.sh启动服务。

Q8：端口被占用怎么办？

系统脚本已自动处理。若手动解决，可执行：

# 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 2 秒后重启 sleep 2

7. 高效使用技巧

技巧 1：快速迭代试错

不要期望一次成功。建议采用“小步快跑”方式： - 修改指令 → 生成 → 评估 → 再调整 - 记录每次有效配置，逐步逼近理想音色

技巧 2：组合使用预设与自定义

推荐工作流： 1. 使用预设模板获得基础音色 2. 微调指令文本增强个性化 3. 利用细粒度控制做最后润色

技巧 3：保存成功配置以便复现

当获得满意结果时，请记录： - 完整的指令文本 - 细粒度控制参数 -outputs/metadata.json文件（含生成上下文）

便于后续批量生成或团队共享。

8. 总结

Voice Sculptor 镜像为中文语音合成提供了高效、灵活且易用的新方案。其核心优势在于：

指令驱动：通过自然语言描述即可定制音色，降低技术门槛
丰富预设：内置 18 种典型风格，覆盖教育、娱乐、媒体等多种场景
精细调控：支持细粒度参数调节，满足专业级需求
开源开放：项目源码托管于 GitHub（ASLP-lab/VoiceSculptor），持续更新迭代

无论是内容创作者、AI 应用开发者还是语音研究爱好者，都可以借助 Voice Sculptor 快速实现高质量语音内容生产。

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。