xsl/blind
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

新增音频制作技术落地报告，记录 GPT-SoVITS / Fish Speech / Stable Audio 部署完成状态

Browse Source 
Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
This commit is contained in:
xsl
2026-05-20 16:29:51 +08:00
co-authored by Claude Sonnet 4.6
parent d03bcb14e4
commit 10ced5cb69
1 changed files with 300 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files
技术报告_音频资源制作.md
+300
View File
@@ -0,0 +1,300 @@
# 音频资源制作技术落地报告
> 调研日期：2026-05-20
> 最后更新：2026-05-20（新增 GPT-SoVITS / Fish Speech / Stable Audio 部署完成状态）
> 硬件环境：NVIDIA RTX 5090 (32GB VRAM) / CUDA Driver 12.9 / WSL2 Linux
---
## 一、本机已有能力总览
| 能力域 | 工具 | 状态 | 环境 |
|--------|------|------|------|
| TTS 语音合成 | VoxCPM2 | **运行中** (port 8000) | Python 3.13 venv |
| TTS 语音合成 | CosyVoice2-0.5B | 已部署，需手动启动 | conda cosyvoice |
| TTS 语音合成 | **GPT-SoVITS v2** | **已部署** ✅ | conda gptsovits / torch 2.8.0+cu128 |
| TTS 语音合成 | **Fish Speech 2.0** | **已部署** ✅ | conda fishspeech / torch 2.8.0+cu128 |
| 音乐/铃声生成 | ACE-Step 1.5 | 已部署，需手动启动 | conda acestep |
| 音效/氛围生成 | ACE-Step 1.5 | 同上 | conda acestep |
| 音效/氛围生成 | **Stable Audio Open 1.0** | **已部署** ✅ | conda stableaudio / torch 2.8.0+cu128 |
| 语音识别 (ASR) | SenseVoice Small | 模型已缓存 | HuggingFace cache |
| 语音识别 (ASR) | Whisper Tiny | 模型已缓存 | HuggingFace cache |
| 轻量 TTS | Kokoro-82M | 模型已缓存 | HuggingFace cache |
| 音频处理 | ffmpeg 7.0.2 | 可用 | 系统 PATH |
| 音频分析 | librosa / soundfile / pydub | 可用 | pip |
| 音视频同步 | MuseTalk / LatentSync | 已部署 | conda 环境 |
### 当前产出数据 (《林夏》项目)
| 类型 | 数量 | 生成工具 |
|------|------|----------|
| TTS 对话语音 | 216 条 (mp3/tts/) | VoxCPM2 |
| BGM 背景音乐 | 4 轨 (90s/30s/120s/120s) | ACE-Step 1.5 |
| 角色铃声 | 9 条 | ACE-Step 1.5 |
| 音效 | 18 条 | ACE-Step 1.5 |
| 环境氛围 | 6 条 | ACE-Step 1.5 |
| 总计 MP3 | 372 个文件 | — |
---
## 二、各能力域详细分析
### 2.1 TTS 语音合成
#### 本机已有
| 工具 | 模型大小 | VRAM | 中文质量 | 声音克隆 | 延迟 | 特点 |
|------|---------|------|---------|---------|------|------|
| **VoxCPM2** | 4.7GB | ~6GB | A | 零样本 (5-30s参考音频) | ~1s/句 | FastAPI 服务，REST API，48kHz WAV 输出，带降噪器 |
| **CosyVoice2-0.5B** | 5.3GB | ~8GB | A+ | 零样本 | ~2s/句 | WebUI，多语言，语速可控，阿里开源 |
| **Kokoro-82M** | <200MB | <2GB (可CPU) | B (中文社区扩展) | 不支持 | <0.3s | 超轻量，英文为主，适合实时场景 |
| **Edge-TTS** | 0 (云端) | 0 | B+ | 不支持 | 网络延迟 | 微软在线服务，免费，多音色 |
**当前主链路**：VoxCPM2 为主 → CosyVoice2 为备 → Edge-TTS 为最终兜底
#### 推荐部署到本地
| 工具 | Stars | 模型大小 | VRAM | 为什么值得部署 | 部署难度 |
|------|-------|---------|------|--------------|---------|
| **GPT-SoVITS v2** | 57k | ~3GB | 4-6GB | 中文 TTS 天花板；1 分钟参考音频即可克隆；自带 ASR 标注工具链；MIT 开源 | 中 (conda + WebUI) |
| **Fish Speech S2** | 26k | ~4GB | 4-24GB | 10M+小时训练数据；15000 种情感标签；WER 最低；接近 ElevenLabs 品质 | 中 (Docker 或 pip) |
| **F5-TTS** | 14.5k | ~3GB | 8GB | Flow-matching 架构；零样本克隆质量最高；MIT 开源 | 低 (pip install) |
| **ChatTTS** | 39k | ~2GB | 4GB | 专为对话设计；自然笑声/停顿/语气词；适合互动叙事 | 低 (pip install) |
**部署优先级建议**：
1. **GPT-SoVITS** — 综合最强，完整工具链（ASR标注 → 训练 → 推理），适合为《林夏》每个角色精调专属声线
2. **Fish Speech S2** — 情感控制力最强，适合需要微妙情绪变化的场景（醉酒小美、哽咽妈妈）
3. **ChatTTS** — 对话自然度最高，适合即兴/随机对白生成
#### 线上服务
| 服务 | 中文质量 | 声音克隆 | 延迟 | 价格 | 适用场景 |
|------|---------|---------|------|------|---------|
| **MiniMax Speech 2.8** | S | 支持 (30s参考) | <250ms | 按字符计费 | 实时语音交互、低延迟场景 |
| **豆包 TTS 2.0** (字节) | S | 支持 (Seed-ICL) | ~1s | 火山引擎计费 | 中文情感表达最强，指令控制情绪 |
| **通义 TTS** (阿里) | A+ | 支持 (CosyVoice) | 标准 | 免费试用额度 | 与本机 CosyVoice 生态互通 |
| **ElevenLabs** | A | 专业级 | ~100ms | $5-99/月 | 多语言、API 最成熟、配套 SFX |
| **百度语音合成** | A | 有限 | 标准 | Token 计费 | 最老牌、REST 接入最简单 |
---
### 2.2 音乐制作
#### 本机已有
| 工具 | 模型大小 | VRAM | 能力 | 当前产出 |
|------|---------|------|------|---------|
| **ACE-Step 1.5** | 9.4GB (60个checkpoint) | ~8GB | 文本→音乐/铃声/氛围；支持歌词+人声；20s 生成 4 分钟音频；seed 可复现 | 4轨 BGM + 9 条铃声 |
**当前配置**：已针对 RTX 5090 修复 cuBLAS 兼容性 (`cublaslt`)，turbo 模式。
#### 推荐部署到本地
| 工具 | Stars | VRAM | 为什么值得部署 | 适用场景 |
|------|-------|------|--------------|---------|
| **DiffRhythm 2** | 新项目 | ~8GB | 最快：10 秒生成 4:45 歌曲；精确歌词对齐；Latent Diffusion 架构 | 快速迭代 BGM 候选 |
| **YuE (乐)** | Apache 2.0 | 8GB(量化)-80GB(全) | 双 LLaMA 架构；完整歌曲（人声+伴奏同步）；最接近 Suno 的开源方案 | 需要完整歌曲（含唱） |
| **MusicGen (Meta)** | CC BY-NC | ~12GB fp16 | 研究级纯器乐生成；立体声输出；Loop 素材可控性强 | 纯器乐 BGM / 素材 |
| **Stable Audio Open 1.5** | 已 clone | ~12GB | 47s 立体声 44.1kHz；SFX 和音乐兼顾；代码已在本机 | 音效与短音乐片段 |
**部署优先级建议**：
1. **Stable Audio Open 1.5** — 代码已在本机 (`/home/xsl/tools/stable-audio-tools/`)，只需下载模型权重 + `pip install`，马上可用
2. **DiffRhythm 2** — 速度碾压 ACE-Step，适合大量迭代试听
3. **YuE** — 32GB VRAM 可跑量化版，适合需要有歌词人声的完整歌曲
#### 线上服务
| 服务 | 人声 | 中文歌词 | 时长 | 价格 | 特点 |
|------|------|---------|------|------|------|
| **Suno v5** | 有 | 支持 | ~4min | 免费 300 首/月 | 品质最高；版权诉讼风险 |
| **Udio** | 有 | 支持 | ~4min | 免费额度 | 与 Suno 竞品；已暂停下载功能 |
| **网易天音** | 有 | 中文原生 | 可变 | 按需 | 国内平台，版权更清晰 |
---
### 2.3 音效生成
#### 本机已有
| 工具 | 能力 | 当前产出 |
|------|------|---------|
| **ACE-Step 1.5** | 氛围类音效 (>=5s)：心跳、呼吸、雨声、敲门、猫叫、水壶、环境氛围等 | 18 条 SFX + 6 条氛围 |
| **ffmpeg** | 后期处理：混音叠加、底噪叠加、格式转换、音量调节 | 全流程 |
| **Web Audio API** (游戏内) | 13 种 UI 短音效：合成叮/咚/滴/滑动音，无需外部文件 | 实时合成 |
**限制**：ACE-Step 擅长氛围/音乐类音效，不擅长短促精确的 UI 音效（<1s 的 click/beep）。
#### 推荐部署到本地
| 工具 | VRAM | 为什么值得部署 | 适用场景 |
|------|------|--------------|---------|
| **Stable Audio Open 1.5** | ~12GB | 音效生成品质最高的开源方案；44.1kHz 立体声；47s 时长 | 高品质 Foley、环境音 |
| **AudioLDM 2** | 8-16GB | 全能型（SFX + 音乐 + 语音）；48kHz；多种模型尺寸 | 短音效、过渡音 |
**部署优先级建议**：
1. **Stable Audio Open 1.5** — 同上，已有代码，补模型即可
2. **AudioLDM 2** — pip 安装，轻量推理，适合补充短促音效
#### 线上服务
| 服务 | 时长上限 | 价格 | 特点 |
|------|---------|------|------|
| **ElevenLabs SFX v2** | 30s | 免费额度 | 制作级品质，支持循环，版税免费 |
| **Stable Audio 2.5** (API) | 3min | 按量 | 音频修复/inpainting，商业安全 |
---
### 2.4 语音克隆 / 变声
#### 本机已有
VoxCPM2 和 CosyVoice2 均内置零样本声音克隆。当前《林夏》项目已为 12 个角色建立参考音频库：
```
voice/
linxia/ linxia_ref.wav
mom/ mom_extra_04.wav
azhe/ azhe_extra_05.wav
xiaomei/ ...
zhounan/ delivery/ hr/ anan/
dorm_a/ dorm_b/ dorm_c/
```
#### 推荐部署到本地
| 工具 | Stars | 为什么值得 | 适用场景 |
|------|-------|----------|---------|
| **GPT-SoVITS** | 57k | 1 分钟参考即可高保真克隆；内置 ASR+标注+训练全链路；RTF 0.014 (4090) | 为角色训练专属声线模型 |
| **OpenVoice V2** | 36k | 单条音频秒级克隆；跨语言（克隆英文声 → 输出中文）| 快速原型、临时角色 |
| **RVC v2** | 36k | 实时变声；10 分钟数据可训练；社区模型库庞大 | 歌声转换、直播变声 |
| **Seed-VC** | 新 | 零样本相似度最高；解决音色泄漏问题；支持唱歌 | 高精度声音复刻 |
**部署优先级**：GPT-SoVITS > Seed-VC > OpenVoice V2
---
### 2.5 语音识别 (ASR) — 辅助能力
| 工具 | 状态 | 用途 |
|------|------|------|
| **SenseVoice Small** | 模型已缓存 | 中文 ASR，可用于语音标注、字幕生成 |
| **Whisper Tiny** | 模型已缓存 | 多语言 ASR 兜底 |
---
## 三、推荐部署路线图
### ✅ 已完成部署（2026-05-20）
| 序号 | 工具 | 路径 | 模型 | torch |
|------|------|------|------|-------|
| 1 | **Stable Audio Open 1.0** | `/home/xsl/tools/stable-audio-tools/` | `/home/xsl/models/stable-audio-open/` | 2.8.0+cu128 (stableaudio) |
| 2 | **GPT-SoVITS v2** | `/home/xsl/tools/GPT-SoVITS/` | `GPT_SoVITS/pretrained_models/` (含 v2Pro/v3) | 2.8.0+cu128 (gptsovits) |
| 3 | **Fish Speech 2.0** | `/home/xsl/tools/fish-speech/` | `/home/xsl/models/fish-speech-1.5/` | 2.8.0+cu128 (fishspeech) |
**注：全部使用 CUDA 12.8 编译版 torch，支持 RTX 5090 (sm_120)**。
PyTorch wheel 来源：`https://mirrors.aliyun.com/pytorch-wheels/cu128/`
#### 启动命令
```bash
# Stable Audio Open — Gradio WebUI
conda activate stableaudio
cd /home/xsl/tools/stable-audio-tools
python run_gradio.py \
--model-config /home/xsl/models/stable-audio-open/model_config.json \
--ckpt-path /home/xsl/models/stable-audio-open/model.safetensors
# GPT-SoVITS — WebUI（含 ASR 标注 + 训练 + 推理）
conda activate gptsovits
cd /home/xsl/tools/GPT-SoVITS
python webui.py
# 默认 http://127.0.0.1:9872
# Fish Speech — API 服务
conda activate fishspeech
cd /home/xsl/tools/fish-speech
python -m tools.api \
--listen 0.0.0.0:8080 \
--llama-checkpoint-dir /home/xsl/models/fish-speech-1.5 \
--decoder-checkpoint-dir /home/xsl/models/fish-speech-1.5/firefly-gan-vq-fsq-8x1024-21hz-generator.pth \
--decoder-config-name firefly_gan_vq
# 或 Gradio WebUI:
python tools/run_webui.py --llama-checkpoint-dir /home/xsl/models/fish-speech-1.5
```
### 下一优先级 — 待部署
| 序号 | 工具 | 操作 | 预计耗时 | VRAM |
|------|------|------|---------|------|
| 4 | **ChatTTS** | `pip install ChatTTS` → 下载模型 | 30min | 4GB |
### 按需部署
| 序号 | 工具 | 场景 |
|------|------|------|
| 5 | **DiffRhythm 2** | 需要快速迭代大量 BGM 候选时 |
| 6 | **AudioLDM 2** | 需要精确短音效生成时 |
| 7 | **YuE** | 需要完整中文歌曲（人声+伴奏）时 |
| 8 | **OpenVoice V2** | 需要快速跨语言声音克隆时 |
---
## 四、能力矩阵
```
本机已有 待部署 线上服务
┌───────────────┐ ┌────────────┐ ┌────────────┐
TTS │ VoxCPM2 │ │ ChatTTS │ │ MiniMax │
语音合成 │ CosyVoice2 │ │ F5-TTS │ │ 豆包 TTS │
│ GPT-SoVITS ✅ │ │ │ │ ElevenLabs │
│ Fish Speech ✅│ │ │ │ 通义 TTS │
│ Kokoro-82M │ │ │ │ │
└───────────────┘ └────────────┘ └────────────┘
┌───────────────┐ ┌────────────┐ ┌────────────┐
音乐生成 │ ACE-Step │ │ DiffRhythm │ │ Suno v5 │
│ │ │ YuE │ │ Udio │
│ │ │ MusicGen │ │ │
└───────────────┘ └────────────┘ └────────────┘
┌───────────────┐ ┌────────────┐ ┌────────────┐
音效生成 │ ACE-Step │ │ AudioLDM 2 │ │ ElevenLabs │
│ StableAudio ✅│ │ │ │ StableAudio│
│ Web Audio │ │ │ │ API │
│ ffmpeg │ │ │ │ │
└───────────────┘ └────────────┘ └────────────┘
┌───────────────┐ ┌────────────┐ ┌────────────┐
声音克隆 │ VoxCPM2 │ │ Seed-VC │ │ ElevenLabs │
│ CosyVoice2 │ │ OpenVoice │ │ MiniMax │
│ GPT-SoVITS ✅ │ │ RVC v2 │ │ 豆包 │
│ Fish Speech ✅│ │ │ │ │
└───────────────┘ └────────────┘ └────────────┘
┌───────────────┐
ASR │ SenseVoice │ (辅助能力，非生产主线)
语音识别 │ Whisper │
└───────────────┘
```
---
## 五、VRAM 并行策略
RTX 5090 (32GB) 可同时运行的组合：
| 组合 | 占用 VRAM | 场景 |
|------|----------|------|
| VoxCPM2 (6G) + ACE-Step (8G) | ~14GB | TTS + 音乐同时生产 |
| VoxCPM2 (6G) + Stable Audio (12G) | ~18GB | TTS + 高品质音效 |
| GPT-SoVITS (6G) + ACE-Step (8G) | ~14GB | 高品质 TTS + 音乐 |
| CosyVoice2 (8G) + ChatTTS (4G) | ~12GB | 双 TTS 引擎对比试听 |
| 单独 YuE 量化版 | ~8-24GB | 完整歌曲生成（独占） |
---
## 六、针对《林夏》项目的升级建议
| 现状 | 升级方案 | 收益 |
|------|---------|------|
| VoxCPM2 零样本克隆 | → GPT-SoVITS 精调各角色模型 | 声线稳定性大幅提升，不再依赖参考音频选择 |
| ACE-Step 生成全部音效 | → Stable Audio Open 1.5 补充精细音效 | 44.1kHz 立体声，电话底噪/UI 音效品质更高 |
| 单一 TTS 引擎 | → Fish Speech S2 补充情感场景 | 醉酒、哽咽等极端情绪表达更自然 |
| 结局仅语音 + 字幕 | → ACE-Step/DiffRhythm 生成结局专属 BGM | 5 个结局各有独立氛围音乐，沉浸感提升 |