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

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

技术报告_音频资源制作.md

@@ -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 |