配音聲線樣本第 3 輪
這不是正式配音頁。沒有重配兩支影片,也沒有改動先前兩頁樣本或已上線的短片、長片。
同一段 75 字中文旁白。響度 loudnorm I=−16。長片 8,191 字+約 47 秒句間間隔,需塞進 1,632.08 秒;自然語速門檻約 5.0 字/秒(atempo ≤ 1.15)。
樣本文本
實際唸出(75 字): 還有第四種條件,他們做的是兩次吸氣、再長吐氣。重複做,也就是所謂的生理嘆息。動物和人在非常放鬆時,會做出這種奇怪的呼吸節奏,也就是兩次吸氣、再長吐氣。
字幕寫法(英文不唸): 還有第四種條件,他們做的是兩次吸氣、再長吐氣。重複做,也就是所謂的生理嘆息 (physiological sigh)。動物和人在非常放鬆時,會做出這種奇怪的呼吸節奏,也就是兩次吸氣、再長吐氣。
B1 加速怎麼算
B1 修剪後 23.1297 秒、3.2426 字/秒。8,191 字以這個語速要 2,526.07 秒,加上 47 秒間隔後只剩 1,585.08 秒給語音,因此最小倍率是 1.594。本頁採用 1.65(約 3.5% 餘裕),單一 atempo,不必串接(倍率低於 2.0)。這是音高不變的時間拉伸,不應該出現花栗鼠那種升調;1.65× 聽起來會明顯趕,可能有一點時間拉伸的緊繃感,但 Whisper 相似度從 0.924 升到 0.985,沒有把句子拉壞。若用更輕的 1.40–1.50×,聽感會自然些,但加間隔後仍會超出約 99–219 秒,塞不進。
樣本 B1
Ryan · Qwen3-TTS 1.7B CustomVoice (GX10)
上一輪 B1:開朗愉快指令,未加速。作為對照。
下載 MP3 · 時長 23.13 秒 · 3.24 字/秒 · 加速倍率 —
27:12: over — 約超出 612 秒(估算長片+約 47 秒間隔= 2244 秒,相對 1632 秒為 +612 秒。未加速樣本的估算已含 atempo ≤ 1.15。)
Whisper: 相似度 0.924。「生理嘆息」未對上(此詞在先前各引擎也常被 Whisper 聽成近音,多半是辨識問題)。 聽到:「還有第四種條件, 它們做的是兩次吸氣在長吐氣。重複做,也就是所謂的生理探吸。動物和人在非常放鬆時, 會做出這種奇怪的呼吸節奏,也就是兩次吸氣在長吐氣。」
花費:GX10 本機,無額外花費(沿用上一輪)
樣本 B1f
Ryan · Qwen3-TTS 1.7B CustomVoice + ffmpeg atempo
由 B1 做音高不變的 atempo。剛好塞進的最小倍率為 1.5937;採用 1.65(約 3.5% 餘裕)。單一 atempo,無需串接。
下載 MP3 · 時長 14.03 秒 · 5.35 字/秒 · 加速倍率 1.65×
27:12: fits — 應可塞進 27:12(估算長片+約 47 秒間隔= 1579 秒,相對 1632 秒為 -53 秒。未加速樣本的估算已含 atempo ≤ 1.15。)
Whisper: 相似度 0.985。「生理嘆息」未對上(此詞在先前各引擎也常被 Whisper 聽成近音,多半是辨識問題)。 相對未加速 B1(0.924)持平或更好 0.061。 聽到:「還有第四種條件,他們做的是兩次吸氣再長吐氣,重複做,也就是所謂的生理探息。動物和人在非常放鬆時會做出這種奇怪的呼吸節奏,也就是兩次吸氣再長吐氣。」
花費:後製加速,無額外花費
樣本 P1
YunyangNeural · edge-tts zh-CN-YunyangNeural
標準普通話新聞男聲(Professional, Reliable)。無 StyleList,不能用 express-as。台灣腔非必要。
下載 MP3 · 時長 15.00 秒 · 5.00 字/秒 · 加速倍率 —
27:12: fits — 應可塞進 27:12(估算長片+約 47 秒間隔= 1471 秒,相對 1632 秒為 -161 秒。未加速樣本的估算已含 atempo ≤ 1.15。)
Whisper: 相似度 0.924。「生理嘆息」未對上(此詞在先前各引擎也常被 Whisper 聽成近音,多半是辨識問題)。 聽到:「還有第四種條件他們做的是兩次吸氣再長吐氣衆夫座也就是所謂的生理探溪動物和人在非常放鬆時會做出這種奇怪的呼吸節奏也就是兩次吸氣再長吐氣」
花費:免費
樣本 P2
YunxiNeural · edge-tts zh-CN-YunxiNeural
標準普通話男聲,標為 Lively / Sunshine。無 StyleList,不能用 express-as。
下載 MP3 · 時長 14.88 秒 · 5.04 字/秒 · 加速倍率 —
27:12: fits — 應可塞進 27:12(估算長片+約 47 秒間隔= 1460 秒,相對 1632 秒為 -172 秒。未加速樣本的估算已含 atempo ≤ 1.15。)
Whisper: 相似度 0.970。「生理嘆息」未對上(此詞在先前各引擎也常被 Whisper 聽成近音,多半是辨識問題)。 聽到:「還有第四種條件,他們做的是兩次吸氣,再長吐氣。重複做,也就是所謂的生理探吸。動物和人在非常放鬆時,會做出這種奇怪的呼吸節奏,也就是兩次吸氣,再長吐氣。」
花費:免費
樣本 P3
YunjianNeural · edge-tts zh-CN-YunjianNeural
標準普通話男聲,標為 Passion。無 StyleList,不能用 express-as。
下載 MP3 · 時長 15.00 秒 · 5.00 字/秒 · 加速倍率 —
27:12: fits — 應可塞進 27:12(估算長片+約 47 秒間隔= 1472 秒,相對 1632 秒為 -161 秒。未加速樣本的估算已含 atempo ≤ 1.15。)
Whisper: 相似度 0.909。「生理嘆息」未對上(此詞在先前各引擎也常被 Whisper 聽成近音,多半是辨識問題)。 聽到:「還有第四種條件,他們做的是兩次吸氣在長途氣。重複做,也就是所謂的生理探吸。動物和人在非常放鬆時,會做出這種奇怪的呼吸節奏,也就是兩次吸氣在長途氣。」
花費:免費
這輪用了哪些男聲
edge-tts 現行列出的 zh-CN 男聲:YunyangNeural、YunxiNeural、YunjianNeural、YunxiaNeural。沒有 YunzeNeural。本輪用前三個(標準普通話);Yunxia 標成 Cute/Cartoon,未採用。這些聲音都沒有 StyleList,不能用 express-as(例如 cheerful),只能用語速與音高;本輪先用自然語速,三者都已達到約 5.0 字/秒,不必再加速。
Qwen3 既有男聲裡,Dylan 是北京腔、Eric 是四川腔、Ryan/Aiden 是英語原生;Uncle_Fu 也不適合當作「沒有兒化、沒有明顯地域腔」的中性普通話。這輪沒有再在 GX10 上新跑這些聲線,也沒有用 BlueMagpie。
開源普通話 TTS 調研(只查資料,未安裝)
面向 GX10(NVIDIA ARM64 GB10、128 GB 統一記憶體)。許多套件的 CUDA wheel 以 x86_64 為主,ARM64 常常要自己組 torch/依賴。授權以官方說明為準,不是法律意見。
| 模型 | 男聲/腔調 | 語速控制 | 授權 | 聲音克隆 | GX10 |
| CosyVoice 2/3 |
中文品質高;3.0 支援多種方言/口音指令,也可走較中性的普通話 |
指令可調語速、情緒、音量;另有約 0.5–2.0 的 speed |
程式與 Fun-CosyVoice3-0.5B 權重為 Apache-2.0,可商用(須保留聲明) |
零樣本,短參考音(約 3–30 秒) |
記憶體夠;Spark/GB10 上有人反映舊版 CosyVoice 與 torchaudio/舊 torch ABI 不合,需要費一番功夫,不能當成現成可跑 |
| Fish Speech / OpenAudio S1 |
高品質多語,含中文;情緒標記豐富 |
無像 IndexTTS2 那樣指定秒數;以文本與標記為主 |
Fish Audio Community License:研究/非商用免費;年收低於 50 萬美元可有限商用;對外提供託管 TTS/克隆服務需另行書面授權 |
零樣本/少樣本,短音頻 |
S1-mini 較省;官方 CUDA 安裝以 cu126–cu129 為主。ARM64 Docker 文件只寫 CPU。Jetson Orin 有成功 CUDA 編譯的個別報告,GX10 不能當成官方支援 |
| IndexTTS2 |
中英零樣本品質高,情緒與說話人可分開 |
有明確時長控制(use_speed + target_dur 秒),適合對畫面 |
官方為 bilibili Model Use License:一般可免費使用;產品/服務月活超過 1 億或年收超過 10 億人民幣需另行書面授權 |
零樣本,參考音;情緒可另給音頻或文字 |
有人在 DGX Spark 上踩過 cu128 沒有 aarch64 wheel。後續有人用 torch/torchaudio ≥ 2.9、cu130 wheel 在 GPU 上跑通(見 issue 556)。可行,但不是開箱即用 |
| F5-TTS |
預設權重為中英(Emilia),克隆品質好、模型較小 |
無精確秒數控制;時長大致跟文本與參考音走 |
程式 MIT;預訓練權重 CC-BY-NC-4.0,不能商用(連微調後也不行,除非從頭用自有資料訓練) |
零樣本,約 5–15 秒參考音+逐字稿 |
約 2–3 GB 量級,記憶體不是問題。CUDA 需自備對應 wheel;有在 Spark 上用 cu130 跑通的社群作法,仍非官方 ARM 保證 |
| Spark-TTS |
中英,可調虛擬說話人的性別、音高、語速 |
可調 speaking rate(不是指定秒數) |
推理程式 Apache-2.0;Spark-TTS-0.5B 權重改為 CC BY-NC-SA 4.0,不能商用 |
零樣本,中英/語碼轉換克隆 |
0.5B,記憶體夠。官方未特別保證 GB10/ARM64 CUDA |
| MegaTTS3 |
中英零樣本,可用 p_w 把口音往標準發音推 |
無公開的精確秒數控制;以文本與推導為主 |
程式 Apache-2.0;官方寫以學術用途為主。安全起見未公開 WaveVAE encoder,自訂聲音必須同時有 wav 與官方審核後的 npy latent |
形式上是克隆,但自訂音色被 latent 發放流程卡住,實務上不便 |
記憶體應當夠;依賴較傳統,ARM64/CUDA 13 相容性未見官方說明 |
| MaskGCT(Amphion) |
多語零樣本,含中英;非自迴歸 |
可指定 target_len(秒) |
Amphion 程式 MIT;預訓練權重 CC-BY-NC-4.0(Emilia 資料),不能商用 |
零樣本,參考音+文本 |
組件多(語意/聲學 codec+T2S+S2A),記憶體應當裝得下,但依賴堆疊在 ARM64 上可能費事 |
若目標是「可公開、可商用、又要能對上 27:12 時長」,目前較值得認真評估的是 CosyVoice 3(Apache-2.0,有語速/指令)與 IndexTTS2(有明確秒數控制,授權對個人/小規模使用通常沒問題,但有超高流量/營收門檻)。F5-TTS、Spark-TTS 權重、MaskGCT 權重都有非商用限制,不適合當正式配音引擎。Qwen3-TTS 已在 GX10 上可跑,但是語速只能靠指令,Ryan 即使開朗也仍偏慢。