TTS 情感语音调优指南 (2025-2026)
最后更新: 2026年4月30日 | 状态: 生产就绪 覆盖范围: edge-tts、MiniMax TTS、CosyVoice 2.5、Fish Speech v2、温柔少女音调优、多角色管线
1. edge-tts 参数调优
edge-tts 利用 Azure Speech Service 的神经 TTS。通过 CLI 标志或嵌入 SSML 实现精细控制。
核心参数
| 参数 | 格式 | 推荐范围 | 用途 |
|---|---|---|---|
rate |
+x% / -x% |
-30% 到 +40% |
节奏控制。-10% 用于平静叙述 |
pitch |
+xHz / +x% |
-100Hz 到 +100Hz 或 -20% 到 +30% |
性别/年龄偏移。+30Hz 用于女性提升 |
volume |
+xdB / -xdB 或 % |
-10dB 到 +10dB |
动态压缩准备。-3dB 防止削波 |
CLI 示例
edge-tts \
--voice zh-CN-XiaoxiaoNeural \
--rate="-5%" \
--pitch="+40Hz" \
--volume="-2dB" \
--file output.wav \
--text "今天天气真不错，我们去散步吧。"
2. MiniMax TTS: 克隆与情感控制
MiniMax 的 speech-02-turbo（2025+）和 speech-02-hd 模型在零样本克隆和细粒度情感引导方面表现出色。
声音克隆
- 通过
POST /v1/voice_clone上传 5-30s 参考音频 - 返回
voice_id。在 TTS 请求中使用voice_setting: {"voice_id": "..."} - 专业技巧: 在参考音频首尾填充 0.5s 静音。使用
clean_audio: true去除伪影
情感与风格参数
| 参数 | 类型 | 描述 |
|---|---|---|
emotion |
string |
枚举: happy, sad, angry, fear, surprise, calm, affectionate |
emotion_strength |
float |
0.0-1.0。0.6 为自然表达最佳值 |
speed |
float |
0.5-2.0。1.0 为基线 |
vol |
float |
0.0-2.0。线性音量缩放 |
pitch |
int |
-12 到 +12 半音 |
5-2.0。1.0` 为基线 |
||
vol |
float |
0.0-2.0。线性音量缩放 |
pitch |
int |
-12 到 +12 半音 |
3. CosyVoice 2 / 2.5 技术
CosyVoice 2+ 结合大型语言模型（LLM）前端与 Flow Matching 声学后端，实现指令跟随 TTS。
架构亮点
- 零样本: 3s 提示音频克隆音色与韵律
- 指令模式: 传递自然语言
instruct_text控制情感、速度或说话风格 - 跨语言: 原生支持 ZH/EN/JP/KR 无需重新调优
关键推理参数（Python SDK）
from cosyvoice.cli.cosyvoice import CosyVoice
model = CosyVoice('pretrained_models/CosyVoice2-0.5B')
output = model.inference(
text="今晚的月色真美。",
instruct_text="请用温柔少女音，带着怀念的语气，语速偏慢地朗读",
prompt_speech=reference_audio, # 3-10s WAV
stream=False,
speed=0.9,
seed=42
)
4. Fish Speech v2
Fish Speech（v1.5 → v2.0）使用 VQ-GAN 音频 token 器和自回归 LLM。针对低 VRAM 部署和精确韵律复制优化。
参数配置
| 参数 | 范围 | 效果 |
|---|---|---|
reference_text |
string |
提示音频的基准转录。必须与转录完全匹配 |
max_new_tokens |
100-300 |
控制最大音频时长。~250 ≈ 10s |
top_p |
0.7-0.95 |
越高 = 更多表现力/变化，越低 = 更稳定 |
temperature |
0.6-0.9 |
0.75 是自然度最佳点 |
speed |
0.5-2.0 |
生成后时间拉伸 |
v2 专业技巧
Fish Speech v2 引入 prompt_mode="exact" vs "semantic"。使用 "exact" 精确克隆参考节奏。使用 "semantic" 让模型将参考音色适应目标脚本的自然节奏。
5. "温柔少女音" 调优
实现一致的"温柔少女"音色需要平衡声学参数、提示词工程和 SSML。
声学基线
| 参数 | 目标值 | 原因 |
|---|---|---|
| 基础音高 | +20Hz 到 +40Hz |
模拟更高声道共振 |
| 语速 | -5% 到 -10% |
平静节奏暗示体贴与温柔 |
| 音量 | -3dB 到 -5dB |
柔和表达减少感知攻击性 |
| 气息感 | 高 | 通过提示词实现: "气声较多，发音轻柔" |
到 -10% |
平静节奏暗示体贴与温柔 | |
| 音量 | -3dB 到 -5dB |
柔和表达减少感知攻击性 |
| 气息感 | 高 | 通过提示词实现: "气声较多，发音轻柔" |
edge-tts SSML 示例
<speak version="1.0" xml:lang="zh-CN">
<voice name="zh-CN-XiaoxiaoNeural">
<mstts:express-as style="affectionate" styledegree="1.2">
<prosody rate="-8%" pitch="+10%" volume="-3dB">
你最近过得好吗？<break time="400ms"/>要注意休息哦。
</prosody>
</mstts:express-as>
</voice>
</speak>
6. 多角色语音管线
管线架构
- 脚本解析: 正则提取
[角色名]: 台词 - 说话人映射: JSON 配置映射别名 →
voice_id/prompt_audio - 分块: 按句子分割 +
200ms前瞻用于交叉淡入淡出 - 异步 TTS 路由器: 并发限制
4-8（避免速率限制） - 缝合与后处理:
- 所有边界应用
15ms恒定功率交叉淡入淡出 - 最终 loudnorm 到 EBU R128
7. 语音质量与后处理优化
| 阶段 | 技术 | 工具/命令 |
|---|---|---|
| 升采样 | 16/22kHz → 24kHz | torchaudio.transforms.Resample, soxr |
| 降噪 | AI 降噪/去混响 | ffmpeg -af "afftdn=nf=-25" |
| 响度 | EBU R128 标准 | ffmpeg -af loudnorm=I=-16:TP=-1.5:LRA=11 |
| 动态范围 | 软压缩 | ffmpeg -af "acompressor=threshold=-20dB:ratio=4" |
| 编码 | 归档 vs 分发 | FLAC（无损）、Opus 192kbps（网络） |
8. 【新增】2026 最新进阶技术
ld=-20dB:ratio=4"|
| **编码** | 归档 vs 分发 | FLAC（无损）、Opus192kbps`（网络） |
8. 【新增】2026 最新进阶技术### 8.1 edge-tts 可用声音列表与选型
中文推荐声音:
| 声音名称 | 性别 | 风格 | 适用场景 |
|---------|------|------|---------|
| zh-CN-XiaoxiaoNeural | 女 | 温柔/亲切/活泼 | 通用，最佳少女音候选 |
| zh-CN-XiaoyiNeural | 女 | 可爱/甜美/年轻 | 萝莉音、动漫角色 |
| zh-CN-YunxiNeural | 男 | 年轻/阳光 | 少年角色 |
| zh-CN-YunjianNeural | 男 | 成熟/沉稳 | 叙述者、旁白 |
| zh-CN-XiaochenNeural | 女 | 儿童 | 儿童内容 |
| zh-CN-XiaohanNeural | 女 | 沉稳/知性 | 新闻播报、教学 |
多语言声音:
# 列出所有可用声音
edge-tts --list-voices
# 日文少女音
edge-tts --voice ja-JP-NanamiNeural --text "こんにちは" --file jp.wav
# 英文女声
edge-tts --voice en-US-AriaNeural --text "Hello there" --file en.wav
英文女声
edge-tts --voice en-US-AriaNeural --text "Hello there" --file en.wav ```### 8.2 SSML 高级标记完整参考
8.2 SSML 高级标记完整参考```xml
<!-- 情感表达 -->
<mstts:express-as style="affectionate" styledegree="1.2">
亲爱的...
</mstts:express-as>
<!-- 情感类型枚举 -->
<!-- advertisement_upbeat, affectionate, angry, assistant, calm,
chat, cheerful, customerservice, depressed, disgruntled,
embarrassed, envious, empathetic, fearful, gentle,
lyrical, narration-professional, narration-relaxed,
newscast, newscast-casual, sad, serious, shouting,
sports_commentary, sports_commentary_excited,
terrified, unfriendly, whispering -->
<!-- 精确停顿 -->
今天<break time="500ms"/>我们去公园<break time="300ms"/>散步吧。
<!-- 语速控制 -->
<prosody rate="-10%">慢慢说</prosody>
<prosody rate="+20%">快速说</prosody>
<!-- 音高控制 -->
<prosody pitch="+20%">高音</prosody>
<prosody pitch="-10%">低音</prosody>
<!-- 音量控制 -->
<prosody volume="-6dB">轻声</prosody>
<prosody volume="+3dB">大声</prosody>
<!-- 强调 -->
<emphasis level="strong">非常重要!</emphasis>
<emphasis level="moderate">比较重要</emphasis>
<emphasis level="reduced">不太重要</emphasis>
<!-- 发音控制 -->
<say-as interpret-as="date">2026-04-30</say-as>
<say-as interpret-as="time">14:30</say-as>
<say-as interpret-as="characters">ABC</say-as>
<!-- 组合使用 -->
<prosody rate="-5%" pitch="+15%">
<mstts:express-as style="gentle" styledegree="1.5">
<break time="200ms"/>看起来心情不错呢。
</mstts:express-as>
</prosody>
</voice>
</speak>
```### 8.3 CosyVoice 2.5 指令跟随完整指南
**指令模板**:
```python
# 温柔少女音
instruct_text = "请用温柔少女的声音，带着关怀的语气，语速偏慢，尾音微微上扬，像在跟好朋友聊天"
# 知性成熟女声
instruct_text = "请用成熟知性女性的声音，语气平稳自信，语速中等，像在讲述一个故事"
# 活泼可爱萝莉音
instruct_text = "请用可爱萝莉的声音，语气活泼欢快，语速稍快，带着笑意，像小女孩在撒娇"
# 沉稳男声旁白
instruct_text = "请用沉稳男性声音朗读，语气庄重，语速偏慢，像在朗读纪录片旁白"
# 惊讶/激动
instruct_text = "请用惊讶的语气说，语速加快，音高提升，带着不可思议的感觉"
CosyVoice 2.5 新增标记语法:
# 在 instruct_text 中使用控制标记
instruct = (
"用温柔少女音朗读，"
"语气轻柔[停顿0.5秒]"
"然后带着笑意说："
"[语速-10%]你最近过得好吗？"
"[停顿0.3秒]"
"[语气+关怀]要注意休息哦。"
)
8.4 Fish Speech v2 零样本克隆最佳实践
参考音频要求: - 时长: 3-30 秒（最佳 5-15 秒） - 采样率: 22050Hz 或 24000Hz - 格式: WAV（无压缩） - 内容: 自然说话，避免唱歌、朗读、戏剧腔 - 质量: 无背景噪音、无混响、清晰咬字
克隆流程:
from fish_speech.inference import TTSInference
model = TTSInference(
config_path="fish_speech/configs/speech.json",
checkpoint_path="checkpoints/fish-speech-v2.0.pth"
)
# 零样本推理
audio = model.inference(
text="你好，我是你的语音助手",
prompt_text="你好呀，今天天气真不错", # 参考音频的文本
prompt_audio="reference.wav",
max_new_tokens=250,
top_p=0.8,
temperature=0.75,
repetition_penalty=1.2,
speed=1.0
)
#!/usr/bin/env python3
"""
多角色 TTS 生产管线
支持: edge-tts / MiniMax / CosyVoice 混合路由
"""
import asyncio
import re
import json
from dataclasses import dataclass
from typing import List, Dict
@dataclass
class DialogueLine:
character: str
text: str
emotion: str = "neutral"
@dataclass
class CharacterConfig:
name: str
tts_engine: str # "edge", "minimax", "cosyvoice"
voice_id: str
rate: str = "0%"
pitch: str = "0Hz"
emotion: str = "calm"
emotion_strength: float = 0.6
rate: str = "0%"
pitch: str = "0Hz"
emotion: str = "calm"
emotion_strength: float = 0.6class MultiRoleTTSPipeline:
def __init__(self, config_path: str):
with open(config_path) as f:
self.characters = {
c["name"]: CharacterConfig(**c)
for c in json.load(f)
}
def parse_script(self, script_text: str) -> List[DialogueLine]:
"""解析剧本格式: [角色名]: 台词"""
pattern = r'\[([^\]]+)\]:\s*(.+)'
lines = []
for match in re.finditer(pattern, script_text):
lines.append(DialogueLine(
character=match.group(1),
text=match.group(2).strip()
))
return lines
async def generate_segment(self, line: DialogueLine) -> str:
"""根据角色配置选择合适的 TTS 引擎生成音频"""
char = self.characters[line.character]
output_file = f"/tmp/tts_{line.character}_{hash(line.text) % 10000}.wav"
if char.tts_engine == "edge":
cmd = [
"edge-tts",
"--voice", char.voice_id,
f"--rate={char.rate}",
f"--pitch={char.pitch}",
"--file", output_file,
"--text", line.text
]
proc = await asyncio.create_subprocess_exec(*cmd)
await proc.wait()
elif char.tts_engine == "minimax":
# MiniMax API 调用
import httpx
async with httpx.AsyncClient() as client:
resp = await client.post(
"https://api.minima
lient() as client:
resp = await client.post(
"https://api.minimalient() as client:
resp = await client.post(
"https://api.minimax.chat/v1/text_to_speech",
headers={"Authorization": f"Bearer {self.api_key}"},
json={
"model": "speech-02-turbo",
"text": line.text,
"voice_setting": {
"voice_id": char.voice_id,
"speed": float(char.rate.replace("%", "")) / 100 + 1.0,
"pitch": int(char.pitch.replace("Hz", "")),
"vol": 1.0,
"emotion": char.emotion,
"emotion_strength": char.emotion_strength,
}
}
)
data = resp.json()
# 下载音频
audio_url = data["data"]["audio"]
async with httpx.AsyncClient() as dl:
audio_data = await dl.get(audio_url)
with open(output_file, "wb") as f:
f.write(audio_data.content)
return output_file
async def generate_full(self, script: str) -> str:
"""生成完整多角色音频"""
lines = self.parse_script(script)
# 顺序生成保证顺序正确
segments = []
for line in lines:
seg_path = await self.generate_segment(line)
segments.append(seg_path)
# 合成最终音频
t self.generate_segment(line)
segments.append(seg_path)
# 合成最终音频
t self.generate_segment(line)
segments.append(seg_path)
# 合成最终音频
final_path = "/tmp/final_multirole.wav"
file_list = "/tmp/filelist.txt"
with open(file_list, "w") as f:
for seg in segments:
f.write(f"file '{seg}'\n")
proc = await asyncio.create_subprocess_exec(
"ffmpeg", "-y", "-f", "concat", "-safe", "0",
"-i", file_list, "-c", "copy",
"-af", "loudnorm=I=-16:TP=-1.5:LRA=11",
final_path
)
await proc.wait()
return final_path
P=-1.5:LRA=11",
final_path
)
await proc.wait()
return final_path# 角色配置文件示例 (characters.json)
"""
[
{
"name": "小晴",
"tts_engine": "edge",
"voice_id": "zh-CN-XiaoxiaoNeural",
"rate": "-8%",
"pitch": "+35Hz",
"emotion": "affectionate",
"emotion_strength": 0.7
},
{
"name": "旁白",
"tts_engine": "edge",
"voice_id": "zh-CN-YunjianNeural",
"rate": "-5%",
"pitch": "0Hz",
"emotion": "calm",
"emotion_strength": 0.5
},
{
"name": "小月",
"tts_engine": "minimax",
"voice_id": "voice_cloned_001",
"rate": "-10%",
"pitch": "+25Hz",
"emotion": "happy",
"emotion_strength": 0.8
}
]
"""
8.6 情感语音微调参数表
| 情感 | rate | pitch | volume | style (edge-tts) | emotion (MiniMax) |
|---|---|---|---|---|---|
| 温柔/关怀 | -8% |
+25Hz |
-3dB |
affectionate |
affectionate |
| 开心/活泼 | +5% |
+30Hz |
0dB |
cheerful |
happy |
| 悲伤/低落 | -15% |
-10Hz |
-6dB |
sad |
sad |
| 生气/愤怒 | +10% |
+15Hz |
+3dB |
angry |
angry |
| 恐惧/害怕 | +5% |
+20Hz |
-3dB |
fearful |
fear |
| 惊讶/震惊 | +15% |
+40Hz |
+2dB |
surprised |
surprise |
| 耳语/密语 | -20% |
-5Hz |
-8dB |
whispering |
calm |
| 平静/叙述 | -5% |
0Hz |
0dB |
calm |
calm |
8.7 音频后处理优化脚本
#!/bin/bash
# TTS 音频后处理管线
INPUT="input.wav"
OUTPUT="output_final.wav"
# 1. 降噪
ffmpeg -i "$INPUT" -af "afftdn=nf=-25" temp_denoised.wav
put.wav"
OUTPUT="output_final.wav"
# 1. 降噪
ffmpeg -i "$INPUT" -af "afftdn=nf=-25" temp_denoised.wav# 2. 标准化到 -16 LUFS (EBU R128)
ffmpeg -i temp_denoised.wav -af "loudnorm=I=-16:TP=-1.5:LRA=11" temp_loudnorm.wav
# 3. 软压缩（让声音更温暖）
ffmpeg -i temp_loudnorm.wav \
-af "acompressor=threshold=-24dB:ratio=3:attack=5:release=50:makeup=2dB" \
temp_compressed.wav
# 4. 微调 EQ（让人声更温暖）
ffmpeg -i temp_compressed.wav \
-af "equalizer=f=200:t=q:w=2:g=2, \
equalizer=f=3000:t=q:w=1:g=1, \
highpass=f=80" \
"$OUTPUT"
# 清理临时文件
rm -f temp_denoised.wav temp_loudnorm.wav temp_compressed.wav
echo "Output: $OUTPUT"
ffprobe -v quiet -show_entries format=duration,size -of default=noprint_wrappers=1 "$OUTPUT"
文档更新日期: 2026年4月30日 | 来源: Azure Speech 文档、MiniMax API 文档、CosyVoice GitHub、Fish Speech 论文