同步音频文档至 v5 克隆现行状态

更新林夏设计纲要、执行文档与技术报告，对齐 VoxCPM2 8002 端口、v4/v5 流水线、游戏 184 个 MP3 引用及 13 角色参考音色。 Co-authored-by: Cursor <cursoragent@cursor.com>
2026-05-24 10:35:49 +08:00
parent 12eb1eab44
commit 9c02fbcd74
5 changed files with 372 additions and 299 deletions
@@ -1,73 +1,74 @@
-# 《林夏》角色 Voice Design 提示词
+# 《林夏》角色语音提示词

-> **模式**：VoxCPM2 **Voice Design**（纯提示词，**不使用** `voice/` 参考音频）  
-> **接口**：`POST /v1/speech/styled` — `{ "text": "...", "style": "..." }`（**不传** `voice_id`）  
-> **目的**：每个角色用不同提示词生成**不同音色**；同角色内用表演修饰控制 warm/cold 等分支。
+> **现行生产（v5）**：参考 wav 锚定音色 + `get_clone_style()` 表演修饰 → `04_gen_tts_clone.py`  
+> **试听选音色（v4）**：Voice Design 纯提示词 → `03_gen_voice_samples.py`  
+> **详细状态**：`audio_2/项目状态说明.md`

 ---

-## 1. 与 v2 的区别
+## 1. 三阶段关系

-| | v2 (`v2_styled`) | v3 (`v3_voice_design`) |
-|---|---|---|
-| 音色来源 | `voice/{角色}/` 参考音频克隆 | 提示词描述音色 |
-| API | `voice_id` + `style` | 仅 `style` |
-| 同角色音色 | 与 audio_1 相同 | **全新，各角色互不相同** |
+| 阶段 | 脚本 | 音色来源 | 状态 |
+|------|------|----------|------|
+| v4 试听 | `03_gen_voice_samples.py` | Voice Design 提示词（无参考） | 已选定 13 角色参考 |
+| **v5 克隆** | `04_gen_tts_clone.py` | 选定 wav + 表演修饰 | **游戏正在使用** |
+| v3 纯设计 | `02_gen_tts_voice_design.py` | 仅提示词 | 已废弃 |
+
+v5 克隆时**不再**叠加 `ROLE_VOICE_DESIGN` 音色描述，音色由 `v4_voice_samples/` 中选定 wav 决定。

 ---

-## 2. 角色音色提示词（Voice Design 核心）
+## 2. 已选定参考音色（v4 试听结果）

-| 角色 | 性别 | design 提示词 |
-|------|------|--------------|
-| `linxia` | 女 | 24岁中国女性，中低音女声，声线偏薄但稳定，疲惫但清醒，克制有温度，普通话，像深夜发微信语音 |
-| `mom` | 女 | 52岁中国女性，温厚的中老年女声，音色略哑，轻微西部口音，说话慢而稳，像母亲打电话 |
-| `azhe` | **男** | 27岁中国男性，清朗偏低男声，城市口音，理性偏冷，语速平稳，用词克制，略带距离感 |
-| `xiaomei` | 女 | 24岁中国女性，明亮偏高的女声，语速快，活泼直接，像闺蜜连发语音，能量足 |
-| `xiaomei_drunk` | 女 | 24岁中国女性，同闺蜜音色但喝醉了，口齿略含糊，情绪起伏大，时而哭时而笑 |
-| `zhounan` | **男** | 26岁中国男性，温和偏闷的男中音，略拘谨，语速偏慢，像很久没联系的老同学，真诚不油 |
-| `hr` | 女 | 38岁中国女性，成熟职场女声，中音区，知性干练，疲惫的善意，像HR发工作语音 |
-| `anan` | 女 | 23岁中国女性，甜亮高音女声，语速快，比闺蜜更嗲，像在酒吧里喊，背景略吵 |
-| `dorm_a` | 女 | 22岁中国女性，兴奋尖亮女声，语速很快，像群里报喜，充满喜悦 |
-| `dorm_b` | 女 | 23岁中国女性，普通随和女声，中音，语速正常，像室友起哄 |
-| `dorm_c` | 女 | 23岁中国女性，温柔低声女声，语速略慢，像注意到朋友沉默的室友 |
-| `delivery` | **男** | 30岁中国北方男性，**男声**，偏低略粗，麻利直接，语速快，北方口音，像外卖小哥打电话 |
-| `self_3y` | 女 | 21岁中国女性，比林夏更亮更高的女声，刚来北京，兴奋带紧张，声音更年轻 |
+| 角色 | 文件 | 性别 |
+|------|------|------|
+| linxia | `linxia_v05.wav` | 女 |
+| mom | `mom_v01.wav` | 女 |
+| azhe | `azhe_v03.wav` | 男 |
+| xiaomei | `xiaomei_v05.wav` | 女 |
+| xiaomei_drunk | `xiaomei_drunk_v05.wav` | 女 |
+| zhounan | `zhounan_v05.wav` | 男 |
+| hr | `hr_v05.wav` | 女 |
+| anan | `anan_v04.wav` | 女 |
+| dorm_a/b/c | `v03` / `v02` / `v03` | 女 |
+| delivery | `delivery_v04.wav` | **男** |
+| self_3y | `self_3y_v03.wav` | 女 |

-配置文件：`audio_2/voice_style_prompts.py`
+路径：`audio_2/tts/v4_voice_samples/{角色}/` · 副本：`voice/{角色}/{角色}_ref.wav`

 ---

-## 3. 表演修饰（同角色叠加）
+## 3. 表演修饰（v5 克隆时使用）

-林夏等分支台词会在音色描述后追加，例如：
+由 `audio_2/voice_style_prompts.py` → `get_clone_style()` 按文件名返回，例如：

- `_warm` → `，语气温暖开放，柔软但有分寸`
- `_cold` → `，语气冷淡疏离，短促`
- 妈妈长语音 seg1–seg8、周南 seg1–seg4、小美醉 seg1–seg4 等见 `voice_style_prompts.py`
+- 林夏 `_warm` / `_cold` / `_curious` / `ending_` / `sys_`
+- 妈妈长语音 `seg1`–`seg8`、周南 `seg1`–`seg4`、小美醉 `seg1`–`seg4`
+- self-3y 三版：`voice_01` 兴奋带紧张 / `voice_02` 疲惫假装坚强 / `voice_03` 平静有力

 ---

-## 4. 批量生产
+## 4. Voice Design 提示词（v4 试听用）
+
+试听变体配置：`audio_2/voice_sample_prompts.py` → `ROLE_VOICE_VARIANTS`  
+统一试听文本：`AUDITION_TEXT`（每角色约 10 秒）
+
+重新生成某角色试听：

 ```bash
-VOXCPM_PORT=8002 bash /home/xsl/tts-server/start-voxcpm.sh
-
-# 全量
-VOXCPM_PORT=8002 python audio_2/scripts/02_gen_tts_voice_design.py --force
-
-# 试听单个角色
-python audio_2/scripts/02_gen_tts_voice_design.py --role delivery --test --force
-python audio_2/scripts/02_gen_tts_voice_design.py --role linxia --test --force
+VOXCPM_PORT=8002 python audio_2/scripts/03_gen_voice_samples.py --role delivery --force
 ```

-输出：`audio_2/tts/v3_voice_design/*_wav_v3.mp3`  
-清单：`audio_2/tts/v3_voice_design/voice_design_manifest.tsv`
+选定后替换 `v4_voice_samples/{role}/` 中 wav，再跑：
+
+```bash
+VOXCPM_PORT=8002 python audio_2/scripts/04_gen_tts_clone.py --role delivery --force
+```

 ---

 ## 5. 注意事项

-1. **Voice Design 同角色各条之间音色可能略有漂移**——无参考音频锚定。若某角色不稳定，可挑一条满意的音频注册为参考，改回 Style Control。
-2. **调整音色**：改 `ROLE_VOICE_DESIGN` 里对应角色的描述，重跑该角色即可。
-3. **外卖小哥必须是男声**——已在 `delivery` 提示词中写明「中国北方男性，男声」。
+1. **Voice Design 音色会漂移**——因此正式版必须「试听选定 → 克隆锚定」。
+2. **男声角色**：`azhe`、`zhounan`、`delivery`（delivery 语速已调慢，后处理倍率 1.00）。
+3. **游戏仅加载** `audio/mp3/tts/*_wav_v1.mp3`。
@@ -18,7 +18,7 @@

 ```
 ../audio/mp3/
-├── tts/        对白（177 条）
+├── tts/        对白（169 条，游戏引用）
 ├── music/      BGM、铃声
 ├── sfx/        音效
 └── ambience/   环境音
@@ -120,7 +120,7 @@ blind/
 ├── audio/
 │   ├── batch_tts_voxcpm.py   台词表 LINES + 角色语速 ROLES
 │   └── mp3/                  游戏运行时音频（184 文件，已清理）
-│       ├── tts/              177 条对白
+│       ├── tts/              169 条对白（游戏引用）
 │       ├── music/
 │       ├── sfx/
 │       └── ambience/
@@ -208,7 +208,6 @@ VoxCPM2 **不能**用提示词生成敲门、心跳等 SFX，只能做人声 TTS
 - [ ] 实机/playtest 听一遍各角色，标记需重跑的台词或角色
 - [ ] 若某角色不满意：改 `voice_sample_prompts.py` → 重跑 `03` 挑选 → 替换 `v4_voice_samples/{role}/` → 重跑 `04`
 - [ ] 微调单条表演：改 `voice_style_prompts.py` 中 `_performance` 规则 → `--role xxx --force`
- [ ] 设计文档：`林夏.md`、`执行文档_音频素材制作.md`

 ---

@@ -1,8 +1,9 @@
 # 《林夏》音频素材本地制作执行文档

 > **前置文档**：`林夏.md`（游戏设计）、`SOP_AI音频生产.md`（生产规范）  
+> **现行状态**：`audio_2/项目状态说明.md`（v5 音色、目录、命令，**以此为准**）  
 > **执行环境**：本机 WSL2 · RTX 5090 32GB · FFmpeg 7.0  
-> **TTS 主链路**：**VoxCPM2**（见 `林夏.md` §7.2），批量脚本 `audio/batch_tts_voxcpm.py`
+> **TTS 主链路**：**VoxCPM2**（Voice Design 试听 → 克隆 → Style Control 表演），脚本 `audio_2/scripts/04_gen_tts_clone.py`  
 > **TTS 备用**：CosyVoice2-0.5B（见附录 B）  
 > **目标**：按 SOP 规范在本地生产全部音频素材

@@ -12,14 +13,17 @@

 | 资源 | 路径 / 状态 | 用途 |
 |---|---|---|
-| **VoxCPM2** | `bash /home/xsl/AutoVideo/start-voxcpm.sh` → `http://127.0.0.1:8000` | **TTS 主链路**（声音克隆 + 合成） |
+| **VoxCPM2** | `/home/xsl/tts-server/` · 端口 **8002** · `bash /home/xsl/tts-server/start-voxcpm.sh` | **TTS 主链路**（Voice Design + 声音克隆 + Style Control） |
 | CosyVoice 2.0 (0.5B) | `/home/xsl/tools/CosyVoice` · conda env: `cosyvoice` | TTS 备用（见附录 B） |
+| ACE-Step 1.5 | `/home/xsl/tools/ACE-Step-1.5` · conda env: `acestep` | BGM / 铃声 / 叙事音效 / 环境音 |
+| Stable Audio Open 1.0 | `/home/xsl/tools/stable-audio-tools` · conda env: `stableaudio` | 高品质音效补充 |
 | FFmpeg 7.0 | `/usr/local/bin/ffmpeg` | 音频格式转换、响度归一化、听筒效果 |
-| GPU | RTX 5090 32GB | 跑 VoxCPM2 / CosyVoice 推理 |
+| GPU | RTX 5090 32GB | 跑 VoxCPM2 / CosyVoice / ACE-Step 推理 |
 | MuseTalk | `/home/xsl/work/MuseTalk` | **注意：这是唇形同步工具，不是 TTS** |

-> **SOP 中的 MiniMax / 豆包 API 全部替换为本地 VoxCPM2**。音乐（Suno）、音效（ElevenLabs SFX）、环境采样（Freesound）仍走云端。
-> CosyVoice2 保留作为备用方案（见附录 B），仅在 VoxCPM2 表现不佳时切换。
+> **端口说明**：8000 被 head3d 占用，TTS 固定使用 **8002**（`VOXCPM_PORT=8002`）。  
+> **游戏运行时音频**：`audio/mp3/`（184 文件，仅保留 `story.js` / `engine.js` 引用的 `*_wav_v1.mp3` 等）。  
+> CosyVoice2 保留作为备用，仅在 VoxCPM2 表现不佳时切换。

 ---

@@ -36,20 +40,26 @@ mkdir -p voice/{linxia,mom,azhe,xiaomei,zhounan,hr,anan,dorm_a,dorm_b,dorm_c,del
 ### 1.2 启动 VoxCPM2 服务

 ```bash
-# 启动 VoxCPM2 TTS 服务
-bash /home/xsl/AutoVideo/start-voxcpm.sh
-# uvicorn 服务: http://127.0.0.1:8000
+VOXCPM_PORT=8002 VOXCPM_ENABLE_DENOISER=0 bash /home/xsl/tts-server/start-voxcpm.sh
+# 服务: http://127.0.0.1:8002
 ```

 验证服务可用：
 ```bash
-curl -s http://127.0.0.1:8000/docs | head -5
-# 应返回 API 文档页面
+curl -s http://127.0.0.1:8002/health
+# 预期: {"status":"ok","model":"VoxCPM2","styled_speech":true}
 ```

-**VoxCPM2 API 接口**（详见 `林夏.md` §7.2）：
- `POST /v1/voices` — 注册参考音频（wav_base64）→ 返回 voice_id
- `POST /v1/speech` — 合成语音（text + voice_id）→ 返回 WAV
+**VoxCPM2 API 接口**（详见 `林夏.md` §7.2、`/home/xsl/tts-server/server.py`）：
+
+| 接口 | 用途 |
+|------|------|
+| `POST /v1/voices` | 注册参考音频（wav_base64）→ voice_id |
+| `POST /v1/speech` | 纯克隆合成（text + voice_id）→ WAV |
+| `POST /v1/speech/styled` | Style Control / Voice Design（见下） |
+
+- 有 `voice_id` → 克隆音色 + style 表演修饰
+- 无 `voice_id` → 纯 Voice Design（仅提示词，无参考音频）
 - 输出格式：48kHz 16-bit PCM WAV

 ### 1.4 验证 FFmpeg
@@ -67,104 +77,118 @@ echo "FFmpeg loudnorm 可用"

 ## 2. 角色参考音频准备（关键步骤）

-VoxCPM2 的声音克隆需要**每个角色一段参考音频**（WAV 格式）。参考音频的音色决定了最终 TTS 的音色。参考音频存放在 `voice/{角色}/` 目录下（详见 `林夏.md` §7.3 角色音色配置）。
+VoxCPM2 的声音克隆需要**每个角色一段参考音频**（WAV）。**现行方案**：先用 Voice Design 生成试听变体，人工选定后作为永久参考。

-### 2.1 参考音频来源方案
+### 2.1 现行流程（v4 → v5）
+
+```
+1. 03_gen_voice_samples.py  → 每角色 5 条约 10s 试听（不同提示词）
+2. 人工试听，每角色保留 1 条 → audio_2/tts/v4_voice_samples/{role}/
+3. 04_gen_tts_clone.py       → 全量克隆 + 部署 audio/mp3/tts/*_wav_v1.mp3
+4. 副本同步到 voice/{角色}/{角色}_ref.wav
+```
+
+**已选定参考**（2026-05-23）：
+
+| 角色 | 文件 | 性别 |
+|------|------|------|
+| linxia | `linxia_v05.wav` | 女 |
+| mom | `mom_v01.wav` | 女 |
+| azhe | `azhe_v03.wav` | 男 |
+| xiaomei | `xiaomei_v05.wav` | 女 |
+| xiaomei_drunk | `xiaomei_drunk_v05.wav` | 女 |
+| zhounan | `zhounan_v05.wav` | 男 |
+| hr | `hr_v05.wav` | 女 |
+| anan | `anan_v04.wav` | 女 |
+| dorm_a/b/c | `v03` / `v02` / `v03` | 女 |
+| delivery | `delivery_v04.wav` | **男** |
+| self_3y | `self_3y_v03.wav` | 女 |
+
+提示词配置：`audio_2/voice_sample_prompts.py`（试听）、`audio_2/voice_style_prompts.py`（表演修饰）。
+
+### 2.2 参考音频规格（仍适用）
+
+- **时长**：5-20 秒（推荐 10 秒左右）
+- **格式**：WAV，16kHz mono（注册前由脚本自动转换）
+- **内容**：完整中文句子
+- **质量**：干声为主，避免底噪、混响、BGM
+
+### 2.3 旧方案（人工录音 / 截取）
+
+若 Voice Design 不满意，仍可按原方案准备参考音频放入 `voice/{角色}/`：

 | 角色 | 音色要求 | 参考音频获取方案 |
 |---|---|---|
-| `mom` 妈妈 | 50 岁，温柔克制 | 方案 A：找一位 45-55 岁女性朋友录 15 秒朗读（最佳）；方案 B：从影视作品中截取合适片段 |
-| `azhe` 阿哲 | 27 岁，理性偏冷 | 从播客/有声书截取年轻男声冷淡片段 |
-| `xiaomei` 小美 | 24 岁，活泼 | 找年轻女性朋友录制，或从 vlog 截取 |
-| `zhounan` 周南 | 26 岁，温和拘谨 | 播客/有声书截取温和男声 |
-| `hr` HR 王姐 | 38 岁，知性 | 新闻女主播或播客截取 |
-| `anan` 安安 | 23 岁，可爱 | 年轻女性活泼语调截取 |
-| `dorm-a/b/c` | 三个不同年轻女声 | 需要 3 段风格不同的女声参考 |
-| `delivery` 外卖小哥 | 30 岁，北方腔 | 短视频/影视截取 |
-| `system` 系统 | 中性 AI 女声 | VoxCPM2 注册一个中性女声参考音频 |
-| `self-3y` 3年前自己 | 同 xiaomei 基底 | 复用 xiaomei 参考音频，调速度和音调 |
-
-### 2.2 参考音频制作规格
-
- **时长**：5-20 秒（推荐 10 秒左右）
- **格式**：WAV，16kHz 以上采样率
- **内容**：完整的中文句子（需同时记录对应文字）
- **质量**：干声为主，避免底噪、混响、BGM
-
-存放路径：`voice/{角色代号}/`（与 `林夏.md` §7.3 保持一致）
-
-```bash
-# 如果参考音频不是 wav 或采样率不对，用 FFmpeg 转换
-ffmpeg -i input.mp3 -ar 16000 -ac 1 voice/mom/ref.wav
-```
-
-### 2.3 创建参考音频记录表
-
-在 `voice/` 下创建 `ref_manifest.txt`，记录每条参考音频对应的文字：
-
-```
-mom/ref.wav | 今天天气不错，妈妈给你做了红烧排骨，等你回来吃饭。
-azhe/ref.wav | 好的，我知道了，那件事明天再说吧。
-xiaomei/ref.wav | 哎你猜怎么着，今天路上遇到一个超级搞笑的事！
-zhounan/ref.wav | 嗯，其实我也不太确定，就是觉得应该跟你说一声。
-hr/ref.wav | 好的，那我们下周三前把流程走完，有什么问题随时联系我。
-anan/ref.wav | 天呐天呐你快来！这边超级好玩的！
-dorm_a/ref.wav | 嘿你们看看我，今天升职了！请大家吃饭！
-dorm_b/ref.wav | 恭喜恭喜啊，太厉害了，我就知道你行的。
-dorm_c/ref.wav | 嗯，不错，对了夏夏怎么不说话啊。
-delivery/ref.wav | 你好你的外卖到了，放门口了啊，麻辣烫注意别洒了。
-```
+| `mom` 妈妈 | 50 岁，温柔克制 | 真人录音或影视截取 |
+| `azhe` 阿哲 | 27 岁男声，理性偏冷 | 播客/有声书截取 |
+| `delivery` 外卖小哥 | 30 岁北方男声 | 语速适中，非过快 |
+| … | 见 `林夏.md` §7.3 | — |

 ---

 ## 3. TTS 生产流程

-### 3.1 VoxCPM2 声音克隆流程
+### 3.0 现行主力：v5 克隆流水线 ★

-**前置**：确认 VoxCPM2 服务已启动（§1.2）。
-
-**单条合成步骤**：
-1. 将角色参考音频注册为 voice_id：`POST /v1/voices`（wav_base64）
-2. 调用合成接口：`POST /v1/speech`（text + voice_id）
-3. 获得 48kHz 16-bit PCM WAV
-4. 用 FFmpeg atempo 调速（按 `林夏.md` §7.3 各角色语速配置）
-5. 保存到 `audio/00_raw/tts/`
-
-**角色音色目录**（与 `林夏.md` §7.3 一致）：
-```
-voice/
-├── linxia/     # 林夏（speed 1.00）
-├── mom/        # 妈妈（speed 0.92）
-├── azhe/       # 阿哲（speed 1.05）
-├── xiaomei/    # 小美（speed 1.10，醉态 0.95）
-├── zhounan/    # 周南（speed 0.95）
-├── hr/         # HR 王姐（speed 1.00）
-├── anan/       # 安安（speed 1.15）
-├── dorm_a/     # 室友 A（speed 1.10）
-├── dorm_b/     # 室友 B（speed 1.00）
-├── dorm_c/     # 室友 C（speed 0.95）
-└── delivery/   # 外卖小哥（speed 1.20）
-```
-
-### 3.2 用批量脚本生产（主力方式）
-
-使用项目自带的 VoxCPM2 批量合成脚本：
+**前置**：VoxCPM2 已启动（§1.2），参考音频已在 `v4_voice_samples/` 每角色 1 条。

 ```bash
-# 确保 VoxCPM2 服务已启动
-bash /home/xsl/AutoVideo/start-voxcpm.sh
+cd /home/xsl/blind

-# 批量合成所有台词
-python audio/batch_tts_voxcpm.py --source voice
+# 全量克隆 + 自动部署游戏目录
+VOXCPM_PORT=8002 python audio_2/scripts/04_gen_tts_clone.py --force

-# 只合成特定角色
-python audio/batch_tts_voxcpm.py --source voice --role linxia
+# 只重跑某角色
+VOXCPM_PORT=8002 python audio_2/scripts/04_gen_tts_clone.py --role delivery --force

-# 干跑查看任务列表
+# 预览任务
+python audio_2/scripts/04_gen_tts_clone.py --dry-run
+```
+
+| 步骤 | 脚本 | 输出 |
+|------|------|------|
+| 试听选音色 | `03_gen_voice_samples.py` | `audio_2/tts/v4_voice_samples/` |
+| 全量克隆 | `04_gen_tts_clone.py` | `audio_2/tts/v5_cloned/*_wav_v5.mp3` |
+| 游戏部署 | （04 脚本自动） | `audio/mp3/tts/*_wav_v1.mp3` |
+
+- 台词来源：`audio/batch_tts_voxcpm.py` → `LINES`（173 条）+ `EXTRA_LINES`（self-3y ×3、系统 memo）
+- 表演修饰：`audio_2/voice_style_prompts.py` → `get_clone_style()`
+- 清单：`audio_2/tts/v5_cloned/clone_manifest.tsv`
+
+**游戏仅加载 `*_wav_v1.mp3`**，不加载 `*_mp3_v1.mp3`。
+
+### 3.1 VoxCPM2 声音克隆流程（底层原理）
+
+**单条合成步骤**：
+1. 将角色参考音频注册为 voice_id：`POST /v1/voices`
+2. 调用：`POST /v1/speech/styled`（text + voice_id + style 表演修饰）
+3. 获得 48kHz WAV → ffmpeg atempo 调速（`ROLES` 配置）→ MP3
+4. 部署到 `audio/mp3/tts/`
+
+**角色语速**（`audio/batch_tts_voxcpm.py` → `ROLES`，与 `林夏.md` §7.3 一致）：
+
+```
+voice/
+├── linxia/     # 1.00
+├── mom/        # 0.92
+├── azhe/       # 1.05
+├── xiaomei/    # 1.10（醉态 xiaomei_drunk 0.95）
+├── zhounan/    # 0.95
+├── hr/         # 1.00
+├── anan/       # 1.15
+├── dorm_a/b/c  # 1.10 / 1.00 / 0.95
+├── delivery/   # 1.00（已从 1.20 调慢）
+└── self_3y/    # 1.15（独立参考 self_3y_v03.wav）
+```
+
+### 3.2 旧版批量脚本（参考，已被 v5 替代）
+
+```bash
+# 旧流程：直接读 voice/ 参考，无 Style Control 表演
 python audio/batch_tts_voxcpm.py --source voice --dry-run
 ```

-脚本读取 `voice/` 目录下的参考音频，按 `林夏.md` §7.3 角色配置自动注册 voice_id 并批量合成。输出到 `audio/00_raw/tts/`。
+输出原为 `audio/00_raw/tts/`，现正式产物见 `audio_2/tts/v5_cloned/` 与 `audio/mp3/tts/`。

 ### 3.3 长戏分段处理

@@ -191,29 +215,22 @@ SOP §5.3 规定：**超过 30 秒的台词必须分段录制**。

 ### 3.4 系统 TTS

-系统提示音（播报状态、念选项等）用 VoxCPM2 注册一个中性女声参考音频：
+系统提示音（内容警告、暂停、热线、等待回复、memo 等）**现行方案**：

-1. 准备一段清晰的中性女声参考音频（如新闻播报片段），存入 `voice/system/`
-2. 通过 `POST /v1/voices` 注册为 system voice_id
-3. 用 `POST /v1/speech` 合成所有系统语句
-
-系统语句示例：
- "阿哲，发来1条语音。8秒。"
- "是否回复？"
- "一，好，明天寄。二，你怎么不自己来拿。三，你那边都好吗。四，什么都不说。"
- "妈妈3条未读、小美1条已读、阿哲1条未播放"
+- 大部分系统语音用 **林夏音色**（`linxia_ref.wav`）克隆，见 `LINES` 中 `v2_sys_*` 与 `lv11_sys_memo_01`
+- 合成走 v5 流水线，与对白同一套参考

 ### 3.5 self-3y 三版预录

-使用与 `xiaomei` 同基底参考音频，但调整 speed 为 +0.05（即 1.15）：
+**现行**：独立参考 `self_3y_v03.wav`（非复用小美），角色 key 为 `self_3y`，speed 1.15。

-| 版本 | 文件名 | 内容要求 | 情绪 |
-|---|---|---|---|
-| 明朗版 | `lv11_0030_self-3y_voice_01` | 3 年前刚来北京，对一切新鲜 | 兴奋带紧张 |
-| 迷茫版 | `lv11_0030_self-3y_voice_02` | 3 年前已经累了 | 假装坚强 |
-| 温柔版 | `lv11_0030_self-3y_voice_03` | 写给未来的自己 | 平静有力 |
+| 版本 | 文件名 | 情绪 |
+|---|---|---|
+| 明朗版 | `lv11_0030_self3y_voice_01` | 兴奋带紧张 |
+| 迷茫版 | `lv11_0030_self3y_voice_02` | 疲惫假装坚强 |
+| 温柔版 | `lv11_0030_self3y_voice_03` | 平静有力 |

-> 台词需要编剧写好，每版约 50 秒。
+台词见 `audio_2/scripts/04_gen_tts_clone.py` → `EXTRA_LINES`。

 ---

@@ -346,9 +363,11 @@ ffmpeg -i input.wav \

 ---

-## 5. 音乐素材（Suno）
+## 5. 音乐素材（ACE-Step 本地 + Suno 备选）

-音乐生产仍走 Suno 云端，按 SOP §6 操作。
+**现行产出**：BGM 4 轨 + 铃声 5 条，均由 **ACE-Step 1.5** 本地生成，已部署至 `audio/mp3/music/`。
+
+Suno 仍可作为备选（按 SOP §6 操作）：

 ### 5.1 操作步骤

@@ -380,7 +399,11 @@ done

 ---

-## 6. 音效素材（ElevenLabs SFX）
+## 6. 音效素材（ACE-Step 本地 + ElevenLabs 备选）
+
+**现行产出**：叙事音效 4 条（敲门、心跳、呼吸、水壶）在 `audio/mp3/sfx/`，由 ACE-Step 生成。
+
+ElevenLabs SFX 仍可作为备选：

 ### 6.1 操作步骤

@@ -491,34 +514,25 @@ done

 ---

-## 9. 执行顺序总结
+## 9. 执行顺序总结（现行状态 2026-05-23）

 ```
-第 1 步 · 启动 VoxCPM2 + 部署环境 (§1)
-    ↓    约 30 分钟
-第 2 步 · 准备参考音频到 voice/ (§2)  ← 这一步最关键，音色质量取决于此
-    ↓    约 1-3 天（需要找人录音或搜集素材）
-第 3 步 · 系统 TTS 先行 (§3.4)       ← 最简单的先跑通 VoxCPM2 流程
-    ↓    约 1 小时
-第 4 步 · 短台词批量生产 (§3.2 batch_tts_voxcpm.py)
-    ↓    约 3-4 小时
-第 5 步 · 长戏分段录制 (§3.3)
-    ↓    约 2-3 小时
-第 6 步 · 后期处理 (§4)
-    ↓    约 2-3 小时
-第 7 步 · 铃声 + 音乐 (§5)         ← 可与 TTS 并行
-    ↓    约 3 小时
-第 8 步 · 音效 (§6)                ← 可与 TTS 并行
-    ↓    约 3 小时
-第 9 步 · 环境底噪 (§7)            ← 可与 TTS 并行
-    ↓    约 2 小时
-第 10 步 · QA 验收 (§8)
-    ↓    约 4-6 小时
-第 11 步 · 最终打包 (§4.5)
-    ↓    约 30 分钟
-完成
+✅ 第 1 步 · 部署 VoxCPM2（/home/xsl/tts-server，端口 8002）
+✅ 第 2 步 · Voice Design 试听 → 选定 13 角色参考 wav（v4）
+✅ 第 3 步 · v5 全量克隆 + 部署 audio/mp3/tts/（04_gen_tts_clone.py）
+✅ 第 4 步 · BGM / 铃声 / 音效 / 环境音（ACE-Step → audio/mp3/）
+✅ 第 5 步 · 清理未引用音频（184 文件与游戏对齐）
+⬜ 第 6 步 · Playtest 听感迭代 + QA（§8）
 ```

+**重跑 TTS**（改参考或表演修饰后）：
+
+```bash
+VOXCPM_PORT=8002 python audio_2/scripts/04_gen_tts_clone.py --force
+```
+
+详细目录与命令见 `audio_2/项目状态说明.md`。
+
 ---

 ## 附录 A · 常见问题
@@ -1,8 +1,9 @@
 # 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 Stable Audio 部署完成状态）  
+> 最后更新：**2026-05-23**（VoxCPM2 v5 克隆落地、游戏音频清理对齐）  
 > 硬件环境：NVIDIA RTX 5090 (32GB VRAM) / CUDA Driver 12.9 / WSL2 Linux  
+> **项目现行状态**：见 `audio_2/项目状态说明.md`

 ---

@@ -10,7 +11,7 @@

 | 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 | VoxCPM2 | **运行中** (port **8002**) | `/home/xsl/tts-server/` Python venv |
 | TTS 语音合成 | CosyVoice2-0.5B | 已部署，需手动启动 | conda cosyvoice |
 | 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 |
@@ -22,16 +23,21 @@
 | 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)
+### 当前产出数据 (《林夏》项目，2026-05-23)

-| 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 | — |
+| 类型 | 数量 | 路径 | 生成工具 |
+|------|------|------|----------|
+| TTS 游戏对白 | **169** 条 | `audio/mp3/tts/*_wav_v1.mp3` | VoxCPM2 v5 克隆 |
+| TTS 归档产物 | **177** 条 | `audio_2/tts/v5_cloned/*_wav_v5.mp3` | 同上（含台词表全量 + extra） |
+| 参考音色 | **13** 角色 | `audio_2/tts/v4_voice_samples/` + `voice/*_ref.wav` | Voice Design 试听选定 |
+| BGM | 4 轨 | `audio/mp3/music/` | ACE-Step 1.5 |
+| 角色铃声 | 5 条（游戏引用 4 场景） | `audio/mp3/music/` | ACE-Step 1.5 |
+| 叙事音效 | 4 条 | `audio/mp3/sfx/` | ACE-Step 1.5 |
+| 环境氛围 | 3 条 | `audio/mp3/ambience/` | ACE-Step 1.5 |
+| UI 短音效 | 13 种 | 浏览器内 | Web Audio API |
+| **游戏 MP3 合计** | **184** | `audio/mp3/` | 已与 story.js 对齐 |
+
+> 注：8000 端口被 head3d 占用，VoxCPM2 固定 **8002**。旧 `*_mp3_v1.mp3` 与 legacy 目录（`audio/mp3/linxia/`、`react/`）已清理。

 ---

@@ -43,12 +49,22 @@

 | 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 |
+| **VoxCPM2** | 4.7GB | ~6GB | A | 零样本 (5-30s参考音频) | ~1s/句 | FastAPI，`/home/xsl/tts-server/`，port **8002**；支持 Style Control + Voice Design |
 | **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
+**当前主链路**：《林夏》已落地 **Voice Design 试听 → 克隆锚定 → Style Control 表演**：
+
+```
+03_gen_voice_samples.py  (v4 试听，每角色 5 变体)
+  → 人工选定参考 wav
+  → 04_gen_tts_clone.py  (v5 全量克隆)
+  → audio/mp3/tts/*_wav_v1.mp3  (游戏加载)
+```
+
+API：`POST /v1/speech/styled`（有 voice_id = 克隆+表演；无 voice_id = 纯 Voice Design）。  
+备用：CosyVoice2 → Edge-TTS 兜底。

 #### 推荐部署到本地

@@ -142,18 +158,24 @@

 #### 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：
+VoxCPM2 和 CosyVoice2 均内置零样本声音克隆。《林夏》**13 角色**参考库（2026-05-23 选定）：

 ```
+audio_2/tts/v4_voice_samples/   # 每角色 1 条选定 wav/mp3
 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/
+  linxia/linxia_ref.wav         linxia_v05
+  mom/mom_ref.wav               mom_v01
+  azhe/azhe_ref.wav             azhe_v03（男声）
+  xiaomei/xiaomei_ref.wav       xiaomei_v05
+  xiaomei/xiaomei_drunk_ref.wav xiaomei_drunk_v05
+  zhounan/zhounan_ref.wav       zhounan_v05（男声）
+  hr/  anan/  dorm_a/ dorm_b/ dorm_c/
+  delivery/delivery_ref.wav     delivery_v04（男声）
+  linxia/self_3y_ref.wav        self_3y_v03
 ```

+批量脚本：`audio_2/scripts/04_gen_tts_clone.py` · 清单：`audio_2/tts/v5_cloned/clone_manifest.tsv`
+
 #### 推荐部署到本地

 | 工具 | Stars | 为什么值得 | 适用场景 |
@@ -265,5 +287,18 @@ RTX 5090 (32GB) 可同时运行的组合：

 | 现状 | 升级方案 | 收益 |
 |------|---------|------|
-| 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 |
+| v5 克隆已部署，待 playtest | 实机听感迭代 → 微调 `voice_style_prompts.py` 或重选 v4 参考 | 各角色区分度与情感准确度 |
+| ACE-Step 生成叙事音效 | → 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 |
 | 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 |
+
+---
+
+## 七、文档索引（保持一致性）
+
+| 文档 | 用途 |
+|------|------|
+| `林夏.md` §7 | 设计纲要：资产分类、角色配置、文件结构 |
+| `执行文档_音频素材制作.md` | 操作步骤：环境、流程、后期、QA |
+| `audio_2/项目状态说明.md` | **现行状态**：端口、目录、命令、选定音色表 |
+| `audio_2/角色语音风格提示词.md` | Voice Design / 表演修饰参考 |
+| `audio/batch_tts_voxcpm.py` | 台词表 `LINES` + `ROLES` 语速 |
@@ -552,70 +552,99 @@ E（隐藏，优先级 1）→ A（优先级 2）→ B（优先级 3）→ C（
 | **林夏语音** | 主角对话回应（通用 + 专属） | ~55 条, ~100s | VoxCPM2 声音克隆 |
 | **NPC Round 1 语音** | 各角色主要台词 | ~30 条, ~300s | VoxCPM2 声音克隆 |
 | **NPC Round 2/3 反应** | 对话分支反应 | ~54 条, ~205s | VoxCPM2 声音克隆 |
-| **self-3y 三版** | 时光胶囊备忘录 ×3 | 3 条, ~150s | VoxCPM2（linxia 音色） |
+| **self-3y 三版** | 时光胶囊备忘录 ×3 | 3 条, ~150s | VoxCPM2（`self_3y_v03` 独立参考） |
 | **UI 短音效** | 提示音、选择反馈、打字/发送 | ~12 种 | Web Audio 合成（无需文件） |
-| **BGM** | 4 段主题音乐 | 4 段 | Suno / Udio 生成 |
-| **环境音** | 卧室夜噪、酒吧、街声 | 4-5 段 | Freesound (CC0/CC-BY) |
-| **角色铃声** | 来电铃声 | 3-4 段 | 简单合成或 Suno 短旋律 |
+| **BGM** | 4 段主题音乐 | 4 轨 | ACE-Step 1.5 本地生成 |
+| **环境音** | 卧室夜噪、厨房、黎明等 | 3 段 | ACE-Step 1.5 本地生成 |
+| **角色铃声** | 来电铃声 | 5 条（游戏引用 4 种场景） | ACE-Step 1.5 本地生成 |
+| **叙事音效** | 敲门、心跳、呼吸、水壶等 | 4 条 | ACE-Step 1.5 本地生成 |

-### 7.2 TTS 方案：VoxCPM2 本地声音克隆（唯一主链路）
+### 7.2 TTS 方案：VoxCPM2 本地克隆（现行 v5 链路）

-> **注意**：本项目 TTS 统一使用 **VoxCPM2**。`执行文档_音频素材制作.md` 中早期记录的 CosyVoice2 方案作为备用，不作为主生产链路。批量脚本、音色目录、QA 标准均以 VoxCPM2 为准。
+> **注意**：本项目 TTS 统一使用 **VoxCPM2**。CosyVoice2 仅作备用，不作为主生产链路。  
+> **详细操作与目录**：见 `audio_2/项目状态说明.md`、`执行文档_音频素材制作.md`。

-所有角色语音使用 **VoxCPM2**（本地部署，无需外部 API），通过声音克隆实现一致的角色音色。
+**现行流程**（2026-05 落地）：
+
+```
+Voice Design 试听（v4，每角色 5 条提示词变体）
+  → 人工选定参考 wav
+  → Style Control 克隆 + 表演修饰（v5）
+  → 部署到 audio/mp3/tts/*_wav_v1.mp3（游戏直接加载）
+```
+
+**服务启动**（端口 **8002**，8000 被其他服务占用）：

-**服务启动**：
 ```bash
-bash /home/xsl/AutoVideo/start-voxcpm.sh
-# uvicorn 服务: http://127.0.0.1:8000
+VOXCPM_PORT=8002 VOXCPM_ENABLE_DENOISER=0 bash /home/xsl/tts-server/start-voxcpm.sh
+curl http://127.0.0.1:8002/health
+# 预期: {"status":"ok","model":"VoxCPM2","styled_speech":true}
 ```

 **API 接口**：
- `POST /v1/voices` — 注册参考音频（wav_base64）→ 返回 voice_id
- `POST /v1/speech` — 合成语音（text + voice_id）→ 返回 WAV
+
+| 接口 | 用途 |
+|------|------|
+| `POST /v1/voices` | 注册参考音频（wav_base64）→ voice_id |
+| `POST /v1/speech` | 纯克隆合成（text + voice_id） |
+| `POST /v1/speech/styled` | Style Control：有 voice_id = 克隆+表演；无 voice_id = Voice Design |
+
 - 输出格式：48kHz 16-bit PCM WAV
 - 参数：cfg_value（默认 2.0）、inference_timesteps（默认 10）

-**声音克隆流程**：
-```
-参考音频 (voice/{角色}/*.wav)
-  → 转换为 16kHz mono WAV
-  → POST /v1/voices 注册 → voice_id
-  → POST /v1/speech 合成台词 → WAV
-  → ffmpeg atempo 调速 → 最终音频
+**批量生产（现行）**：
+
+```bash
+# 全量克隆并部署游戏目录
+VOXCPM_PORT=8002 python audio_2/scripts/04_gen_tts_clone.py --force
+
+# 只重跑某角色
+VOXCPM_PORT=8002 python audio_2/scripts/04_gen_tts_clone.py --role mom --force
+
+# 重新生成试听样本（换提示词挑音色）
+VOXCPM_PORT=8002 python audio_2/scripts/03_gen_voice_samples.py --role delivery --force
 ```

+**游戏音频命名**：仅 `*_wav_v1.mp3` 被 `story.js` / `engine.js` 引用；`*_mp3_v1.mp3` 为旧流水线产物，已清理。
+
 ### 7.3 角色音色配置

-| 角色 | 参考音频目录 | 语速 | 音色描述 |
-|------|-------------|------|---------|
-| **林夏** | `voice/linxia/` | 1.00 | 24 岁女生，疲惫但清醒，克制但有温度 |
-| 妈妈 | `voice/mom/` | 0.92 | 50 上下，温柔不黏腻，西部口音轻微 |
-| 阿哲 | `voice/azhe/` | 1.05 | 27 岁，城市男生，理性偏冷 |
-| 小美 | `voice/xiaomei/` | 1.10 | 24 岁，活泼，语速快 |
-| 小美（醉） | `voice/xiaomei/` | 0.95 | 同音色，降速模拟醉态 |
-| 周南 | `voice/zhounan/` | 0.95 | 26 岁，温和略拘谨 |
-| HR 王姐 | `voice/hr/` | 1.00 | 38 岁，职场化，疲惫的善意 |
-| 安安 | `voice/anan/` | 1.15 | 23 岁，活泼，比小美更嗲 |
-| 室友 A | `voice/dorm_a/` | 1.10 | 年轻女声，兴奋 |
-| 室友 B | `voice/dorm_b/` | 1.00 | 年轻女声，随和 |
-| 室友 C | `voice/dorm_c/` | 0.95 | 年轻女声，温柔 |
-| 外卖小哥 | `voice/delivery/` | 1.20 | 30 岁，麻利 |
-| self-3y | `voice/linxia/` | 1.15 | 3 年前的林夏，更明朗（同一音色，不同语速） |
+参考音频来自 Voice Design 试听选定，存放在 `voice/{角色}/{角色}_ref.wav` 与 `audio_2/tts/v4_voice_samples/{角色}/`。

-### 7.4 批量合成脚本
+| 角色 | 参考文件 | 目录 | 语速 | 音色描述 |
+|------|----------|------|------|---------|
+| **林夏** | `linxia_v05.wav` | `voice/linxia/` | 1.00 | 24 岁女生，疲惫但清醒，克制但有温度 |
+| 妈妈 | `mom_v01.wav` | `voice/mom/` | 0.92 | 50 上下，温柔不黏腻，西部口音轻微 |
+| 阿哲 | `azhe_v03.wav` | `voice/azhe/` | 1.05 | 27 岁男声，城市男生，理性偏冷 |
+| 小美 | `xiaomei_v05.wav` | `voice/xiaomei/` | 1.10 | 24 岁，活泼，语速快 |
+| 小美（醉） | `xiaomei_drunk_v05.wav` | `voice/xiaomei/` | 0.95 | 同闺蜜基底，降速模拟醉态 |
+| 周南 | `zhounan_v05.wav` | `voice/zhounan/` | 0.95 | 26 岁男声，温和略拘谨 |
+| HR 王姐 | `hr_v05.wav` | `voice/hr/` | 1.00 | 38 岁，职场化，疲惫的善意 |
+| 安安 | `anan_v04.wav` | `voice/anan/` | 1.15 | 23 岁，活泼，比小美更嗲 |
+| 室友 A | `dorm_a_v03.wav` | `voice/dorm_a/` | 1.10 | 年轻女声，兴奋 |
+| 室友 B | `dorm_b_v02.wav` | `voice/dorm_b/` | 1.00 | 年轻女声，随和 |
+| 室友 C | `dorm_c_v03.wav` | `voice/dorm_c/` | 0.95 | 年轻女声，温柔 |
+| 外卖小哥 | `delivery_v04.wav` | `voice/delivery/` | **1.00** | 30 岁**男声**，北方腔，语速适中 |
+| self-3y | `self_3y_v03.wav` | `voice/linxia/` | 1.15 | 3 年前的林夏，更年轻明亮（独立参考，非复用小美） |
+
+表演修饰（warm/cold/分段等）由 `audio_2/voice_style_prompts.py` 的 `get_clone_style()` 控制；音色本身由参考 wav 锚定。
+
+### 7.4 脚本与产物目录
+
+| 脚本 | 用途 | 输出 |
+|------|------|------|
+| `audio_2/scripts/03_gen_voice_samples.py` | v4 试听（每角色 5 条） | `audio_2/tts/v4_voice_samples/` |
+| `audio_2/scripts/04_gen_tts_clone.py` | **v5 全量克隆 + 部署** ★ | `audio_2/tts/v5_cloned/*_wav_v5.mp3` → `audio/mp3/tts/*_wav_v1.mp3` |
+| `audio/batch_tts_voxcpm.py` | 台词表 `LINES`（173 条）+ 语速配置 | 旧版直连克隆，已被 v5 替代 |
+| `audio_2/voice_style_prompts.py` | 表演修饰 / Voice Design 提示词 | — |
+| `audio_2/voice_sample_prompts.py` | v4 试听变体与统一试听文本 | — |
+
+**台词表**：`audio/batch_tts_voxcpm.py` 中 `LINES` + `04_gen_tts_clone.py` 中 `EXTRA_LINES`（self-3y ×3、系统 memo）。
+
+**配置与文档**：

 ```bash
-# 启动 VoxCPM2 服务
-bash /home/xsl/AutoVideo/start-voxcpm.sh
-
-# 使用 WAV 参考音色，批量合成所有台词
-python audio/batch_tts_voxcpm.py --source voice
-
-# 只合成特定角色
-python audio/batch_tts_voxcpm.py --source voice --role linxia
-
-# 干跑查看任务列表
+# 旧版批量（仅参考，不再用于正式产出）
 python audio/batch_tts_voxcpm.py --source voice --dry-run
 ```

@@ -815,14 +844,13 @@ async _handleChoice(dir) {
 | self-3y | 3 版 | 0 | ~3 条 | ~150s |
 | **合计** | | | **~90 条** | **~835s** |

-### 总计
+### 总计（现行部署）

- 林夏 ~55 条，~100 秒
- NPC ~90 条，~835 秒
- **总语音约 145 条，约 15.5 分钟**
+- 游戏引用 **184** 个 MP3（`audio/mp3/`，已与 `story.js` / `engine.js` 对齐）
+  - TTS 对白 **169** 条（`tts/*_wav_v1.mp3`）
+  - BGM + 铃声 **8** 条 · 音效 **4** 条 · 环境音 **3** 条
+- v5 克隆产物归档 **177** 条（`audio_2/tts/v5_cloned/`，含台词表全量 + self-3y + 系统 memo）
 - UI 音效：13 种，全部 Web Audio 合成
- BGM：4 段
- 环境音：4-5 段

 ---

@@ -831,39 +859,35 @@ async _handleChoice(dir) {
 ```
 blind/
 ├── game/
-│   ├── index.html          # 入口
+│   ├── index.html
 │   └── js/
-│       ├── main.js         # 启动 + 事件绑定
-│       ├── gestures.js     # 7 种手势识别（含长按）
-│       ├── haptics.js      # 触觉反馈
+│       ├── story.js        # 16 条消息 + 音频引用（*_wav_v1.mp3）
+│       ├── engine.js       # 系统语音、结局、BGM/环境音
 │       ├── audio.js        # 音频管理 + UI 合成音效
-│       ├── story.js        # 16 条消息剧情数据
-│       ├── engine.js       # 游戏引擎（状态机 + 对话流程）
-│       ├── profile.js      # 行为画像 + 状态变量
-│       └── utils.js        # 工具函数（sleep, dbg 等）
+│       └── …
 ├── audio/
-│   ├── mp3/
-│   │   ├── linxia/         # 林夏语音（当前 edge-tts 版本）
-│   │   └── react/          # NPC 反应语音（当前 edge-tts 版本）
-│   ├── 00_raw/tts/         # VoxCPM2 生成原始 WAV
-│   └── batch_tts_voxcpm.py # VoxCPM2 批量合成脚本
-├── voice/                   # VoxCPM2 参考音色（WAV）
-│   ├── linxia/             # 林夏
-│   ├── mom/                # 妈妈
-│   ├── azhe/               # 阿哲
-│   ├── xiaomei/            # 小美
-│   ├── zhounan/            # 周南
-│   ├── hr/                 # HR 王姐
-│   ├── anan/               # 安安
-│   ├── dorm_a/             # 室友 A
-│   ├── dorm_b/             # 室友 B
-│   ├── dorm_c/             # 室友 C
-│   └── delivery/           # 外卖小哥
-├── gdd/
-│   └── redesign_v2.md      # v2 重构设计文档
-└── 林夏.md                  # 本文档（总设计纲要）
+│   ├── batch_tts_voxcpm.py # 台词表 LINES + ROLES 语速
+│   └── mp3/                # 游戏运行时音频（184 文件）
+│       ├── tts/            # 169 条对白
+│       ├── music/          # BGM + 铃声
+│       ├── sfx/            # 叙事音效
+│       └── ambience/       # 环境音
+├── voice/                  # 各角色参考音频（v5 选定 *_ref.wav）
+├── audio_2/                # TTS v4/v5 流水线
+│   ├── 项目状态说明.md
+│   ├── voice_style_prompts.py
+│   ├── voice_sample_prompts.py
+│   ├── scripts/            # 03 试听 · 04 克隆部署 ★
+│   └── tts/
+│       ├── v4_voice_samples/  # 选定参考音色
+│       └── v5_cloned/         # 正式产物 + clone_manifest.tsv
+├── 林夏.md
+├── 执行文档_音频素材制作.md
+└── 技术报告_音频资源制作.md
 ```

+TTS 服务（独立部署）：`/home/xsl/tts-server/`（端口 **8002**）
+
 ---

 ## 11. 风险与对策
@@ -871,7 +895,7 @@ blind/
 | 风险 | 对策 |
 |------|------|
 | VoxCPM2 长情绪戏（妈妈 4 分钟）质感不够 | 分段录制 + 后期拼接，预留调参时间 |
-| 声音克隆音色不够区分 | 每角色选择差异大的参考音频 + 调速区分 |
+| 声音克隆音色不够区分 | Voice Design 试听多变体 → 人工选定 → 克隆锚定；男声角色单独标注 |
 | 60+ 分支语音管理复杂 | batch_tts_voxcpm.py 统一管理，命名规范 |
 | 手势误判导致选错 | 滑动阈值 30px + 40°范围；双击间隔 250ms 内 |
 | 玩家不理解手势含义 | MSG-02（小美教学关）强引导，每步正向反馈 |
@@ -902,14 +926,14 @@ blind/

 ## 12. 制作流程

-| 阶段 | 关键交付 |
-|------|---------|
-| **剧本定稿** | 16 条全脚本 + 5 结局完整对白 + 所有分支台词 |
-| **参考音色准备** | voice/ 下 12 个角色参考音频确认 |
-| **VoxCPM2 批量合成** | ~145 条语音 + 语速调整 + 质检 |
-| **BGM + 环境音** | 4 段 BGM + 环境采样 |
-| **程序集成** | story.js 对接最终音频路径 + 全流程调试 |
-| **测试** | 全 5 结局通关测试 + 分支覆盖 |
+| 阶段 | 关键交付 | 状态 |
+|------|---------|------|
+| **剧本定稿** | 16 条全脚本 + 5 结局完整对白 + 所有分支台词 | ✅ |
+| **参考音色准备** | v4 试听选定 13 角色参考 wav | ✅ |
+| **VoxCPM2 v5 批量合成** | 177 条克隆 + 部署 `audio/mp3/tts/` | ✅ |
+| **BGM + 环境音 + 音效** | ACE-Step 本地生成，游戏引用 15 条 | ✅ |
+| **程序集成** | story.js 对接 `*_wav_v1.mp3` | ✅ |
+| **测试** | 全 5 结局通关 + 各角色听感迭代 | 待 playtest |

 ---