xsl/blind

Files

T

2026-05-18 18:39:49 +08:00

24 KiB

Raw Blame History

《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） 执行环境：本机 WSL2 · RTX 5090 32GB · CosyVoice2-0.5B · FFmpeg 7.0 目标：按 SOP 规范在本地生产全部音频素材

0. 本机资源清单

资源	路径 / 状态	用途
CosyVoice 2.0 (0.5B)	`/home/xsl/tools/CosyVoice` · conda env: `cosyvoice`	TTS 主力（替代 SOP 中 MiniMax/豆包方案）
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 CosyVoice 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 CosyVoice。音乐（Suno）、音效（ElevenLabs SFX）、环境采样（Freesound）仍走云端。

1. 环境部署

1.1 创建项目目录结构

cd /home/xsl/blind
mkdir -p audio/{00_raw/{tts,music,sfx,ambience,ringtone},01_processed/{tts,music,sfx,ambience,ringtone},02_final/{tts,music,sfx,ambience,ringtone},03_qa_reports,99_legal}
mkdir -p audio/00_raw/tts/prompt_ref  # 存放角色参考音频

1.2 验证 CosyVoice 环境

# 激活 conda 环境
conda activate cosyvoice

# 验证依赖
cd /home/xsl/tools/CosyVoice
python -c "
import sys
sys.path.append('third_party/Matcha-TTS')
from cosyvoice.cli.cosyvoice import CosyVoice2
model = CosyVoice2('pretrained_models/CosyVoice2-0.5B')
print('可用预训练音色:', model.list_available_spks())
print('采样率:', model.sample_rate)
print('CosyVoice2 加载成功')
"

如果报错 ModuleNotFoundError，先装依赖：

conda activate cosyvoice
cd /home/xsl/tools/CosyVoice
pip install -r requirements.txt

1.3 启动 CosyVoice WebUI

conda activate cosyvoice
cd /home/xsl/tools/CosyVoice
python webui.py --port 8000

浏览器访问 http://localhost:8000。WebUI 提供 4 种推理模式：

模式	说明	本项目用途
预训练音色	从内置音色列表选择	快速试听、系统 TTS
3s极速复刻	提供 3-30s 参考音频 + 对应文字	主力模式：为每个角色准备参考音频
跨语种复刻	跨语言克隆	暂不需要
自然语言控制	用文字描述控制语气风格	CosyVoice2 不支持此模式，改用 instruct2 API

1.4 验证 FFmpeg

ffmpeg -version | head -1
# 预期输出: ffmpeg version 7.0.2-static

# 测试 loudnorm 滤镜
ffmpeg -f lavfi -i "sine=frequency=440:duration=1" -af "loudnorm=I=-16:TP=-1:LRA=11" -y /tmp/test_loudnorm.wav
echo "FFmpeg loudnorm 可用"

2. 角色参考音频准备（关键步骤）

CosyVoice2 的"3s极速复刻"需要每个角色一段 5-20 秒的参考音频。参考音频的音色决定了最终 TTS 的音色。

2.1 参考音频来源方案

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	用 CosyVoice 预训练音色即可
`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：audio/00_raw/tts/prompt_ref/{角色代号}_ref.wav

# 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 audio/00_raw/tts/prompt_ref/mom_ref.wav

2.3 创建参考音频记录表

在 audio/00_raw/tts/prompt_ref/ 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。

3. TTS 生产流程

3.1 用 WebUI 逐条生产（推荐新手）

浏览器打开 http://localhost:8000
选择模式：3s极速复刻
上传对应角色的参考音频
在"prompt文本"中输入参考音频对应的文字
在"合成文本"中输入要合成的台词
调整速度（对应 SOP §4.2 各角色 Speed 值）
点击"生成音频"
试听满意后，右键保存音频

3.2 用 Python 脚本批量生产（推荐熟练后）

创建批量生产脚本 audio/batch_tts.py：

#!/usr/bin/env python3
"""
《林夏》TTS 批量生产脚本
用法: conda activate cosyvoice && python audio/batch_tts.py
"""
import os, sys, json, torch, torchaudio

# 设置路径
COSYVOICE_DIR = "/home/xsl/tools/CosyVoice"
PROJECT_DIR = "/home/xsl/blind"
sys.path.insert(0, COSYVOICE_DIR)
sys.path.insert(0, f"{COSYVOICE_DIR}/third_party/Matcha-TTS")

from cosyvoice.cli.cosyvoice import CosyVoice2
from cosyvoice.utils.file_utils import load_wav

# 加载模型
print("正在加载 CosyVoice2 模型...")
model = CosyVoice2(f"{COSYVOICE_DIR}/pretrained_models/CosyVoice2-0.5B")
print(f"模型加载完成，采样率: {model.sample_rate}")

# ============================================================
#  角色配置 — 按 SOP §4.2 配置卡填写
#  speed: 对应 SOP 中的 Speed 值
#  ref_wav: 参考音频路径
#  ref_text: 参考音频对应文字
# ============================================================
ROLES = {
    "mom": {
        "speed": 0.92,
        "ref_wav": f"{PROJECT_DIR}/audio/00_raw/tts/prompt_ref/mom_ref.wav",
        "ref_text": "今天天气不错，妈妈给你做了红烧排骨，等你回来吃饭。",
    },
    "azhe": {
        "speed": 1.05,
        "ref_wav": f"{PROJECT_DIR}/audio/00_raw/tts/prompt_ref/azhe_ref.wav",
        "ref_text": "好的，我知道了，那件事明天再说吧。",
    },
    "xiaomei": {
        "speed": 1.10,
        "ref_wav": f"{PROJECT_DIR}/audio/00_raw/tts/prompt_ref/xiaomei_ref.wav",
        "ref_text": "哎你猜怎么着，今天路上遇到一个超级搞笑的事！",
    },
    "zhounan": {
        "speed": 0.95,
        "ref_wav": f"{PROJECT_DIR}/audio/00_raw/tts/prompt_ref/zhounan_ref.wav",
        "ref_text": "嗯，其实我也不太确定，就是觉得应该跟你说一声。",
    },
    "hr": {
        "speed": 1.00,
        "ref_wav": f"{PROJECT_DIR}/audio/00_raw/tts/prompt_ref/hr_ref.wav",
        "ref_text": "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": {
        "speed": 1.15,
        "ref_wav": f"{PROJECT_DIR}/audio/00_raw/tts/prompt_ref/anan_ref.wav",
        "ref_text": "天呐天呐你快来！这边超级好玩的！",
    },
    "delivery": {
        "speed": 1.20,
        "ref_wav": f"{PROJECT_DIR}/audio/00_raw/tts/prompt_ref/delivery_ref.wav",
        "ref_text": "你好你的外卖到了，放门口了啊，麻辣烫注意别洒了。",
    },
    # system 用预训练音色，不走 zero-shot
}

# ============================================================
#  台词表 — 从林夏.md §3 / §5 抄写
#  每条格式: (文件名前缀, 角色, 台词, speed_override=None)
# ============================================================
LINES = [
    # === 第 01 条 · 21:03 妈妈电话 ===
    ("lv11_2103_mom_call_01", "mom",
     "今晚煮了你爱吃的排骨，给你拍张照啊。下周五回来一趟，你高中物理老师的儿子，挺好的。"),

    # === 第 02 条 · 21:15 小美三连 ===
    ("lv11_2115_xiaomei_voice_01", "xiaomei", "在吗"),
    ("lv11_2115_xiaomei_voice_02", "xiaomei", "你被甩了我都听说了"),
    ("lv11_2115_xiaomei_voice_03", "xiaomei", "明天晚上喝酒，海底捞旁边那家，不许放鸽子"),

    # === 第 03 条 · 21:20 外卖小哥 ===
    ("lv11_2120_delivery_call_01", "delivery",
     "你好你的麻辣烫到了，放门口可以吗？"),

    # === 第 04 条 · 21:30 阿哲语音 ===
    ("lv11_2130_azhe_voice_01", "azhe",
     "嗯……夏夏。我那个AirPods充电盒，好像落你抽屉里了。你方便的时候帮我寄一下吗，工位还要用。地址我等下发你。"),

    # === 第 05 条 · 21:45 HR 王姐 ===
    ("lv11_2145_hr_voice_01", "hr",
     "夏夏啊，离职流程你下周三之前办完哈，公积金那边记得跟进。辛苦啦，外面有合适的工作我帮你留意。"),

    # === 第 06 条 · 22:00 安安 ===
    ("lv11_2200_anan_voice_01", "anan",
     "夏夏！我在helens！要不要过来！我请客！"),

    # === 第 10 条 · 23:00 妈妈文字 ===
    ("lv11_2300_mom_text_01", "mom", "睡了吗？"),

    # === 第 11 条 · 23:15 阿哲电话 ===
    ("lv11_2315_azhe_call_01", "azhe",
     "我能过去拿吗？就5分钟"),

    # === 第 12 条 · 23:30 周南 ===
    ("lv11_2330_zhounan_voice_01", "zhounan",
     "林夏，是我，周南。你应该不记得我了吧，初三坐你后桌那个"),

    # === 第 14 条 · 00:15 妈妈电话 ===
    ("lv11_0015_mom_call_01", "mom",
     "夏夏，你不接电话我有点担心。妈妈知道你工作忙，你早点睡。"),

    # ... 更多台词按需添加
    # 长戏（妈妈 4'17"、小美醉语音、周南 4 段）需分段处理，见 §3.3
]


def synthesize_line(filename, role, text, speed_override=None):
    """合成单条台词"""
    cfg = ROLES[role]
    speed = speed_override or cfg["speed"]
    ref_wav = cfg["ref_wav"]
    ref_text = cfg["ref_text"]

    if not os.path.exists(ref_wav):
        print(f"  [跳过] 参考音频不存在: {ref_wav}")
        return

    # 加载参考音频
    prompt_speech = load_wav(ref_wav, 16000)
    # 裁剪到合理长度
    if prompt_speech.shape[1] > 16000 * 30:
        prompt_speech = prompt_speech[:, :16000 * 30]

    output_path = f"{PROJECT_DIR}/audio/00_raw/tts/{filename}_v1.wav"
    print(f"  合成中: {filename} [{role}] speed={speed}")
    print(f"  台词: {text[:50]}...")

    speeches = []
    for chunk in model.inference_zero_shot(
        tts_text=text,
        prompt_text=ref_text,
        prompt_speech_16k=prompt_speech,
        stream=False,
        speed=speed,
    ):
        speeches.append(chunk["tts_speech"])

    if speeches:
        full_speech = torch.concat(speeches, dim=1)
        torchaudio.save(output_path, full_speech, model.sample_rate)
        duration = full_speech.shape[1] / model.sample_rate
        print(f"  已保存: {output_path} ({duration:.1f}s)")
    else:
        print(f"  [失败] 未生成音频: {filename}")


def main():
    print(f"\n{'='*60}")
    print(f" 《林夏》TTS 批量生产")
    print(f" 共 {len(LINES)} 条台词")
    print(f"{'='*60}\n")

    for i, line in enumerate(LINES):
        filename = line[0]
        role = line[1]
        text = line[2]
        speed_override = line[3] if len(line) > 3 else None

        print(f"\n[{i+1}/{len(LINES)}] {filename}")
        synthesize_line(filename, role, text, speed_override)

    print(f"\n{'='*60}")
    print(" 批量合成完成！请到 audio/00_raw/tts/ 检查结果")
    print(f"{'='*60}")


if __name__ == "__main__":
    main()

3.3 长戏分段处理

SOP §5.3 规定：超过 30 秒的台词必须分段录制。

妈妈 4'17" 长语音（第 16 条）分 8 段：

段号	文件名	台词	情绪提示
1	`lv11_0200_mom_voice_01_seg1`	"夏夏。妈妈知道你今天电话不接。妈妈不催你，就是想跟你说一件事。"	gentle, hesitant
2	`lv11_0200_mom_voice_01_seg2`	"你24了对吧。妈妈24那年——你应该没听我说过——"	gentle, nostalgic
3	`lv11_0200_mom_voice_01_seg3`	"那时候妈妈在广州，给一个香港老板做秘书，1995年。那年我也被分手过。也被开除过。一模一样的春天。"	gentle, sad but holding back
4	`lv11_0200_mom_voice_01_seg4`	"那年我哭得特别难看。后来呢？后来就没什么后来了。我回了老家，认识了你爸，生了你。"	gentle, releasing
5	`lv11_0200_mom_voice_01_seg5`	"我跟你说这个不是想跟你说什么都会过去——我想跟你说，那年夏天我没死，是因为我外婆每天晚上都给我打一个电话。"	gentle, emotional
6	`lv11_0200_mom_voice_01_seg6`	"她不说什么，就问我今天吃饭了没。"	gentle, peaceful
7	`lv11_0200_mom_voice_01_seg7`	"我现在打给你，你不接也没事。妈妈给你发个语音，你什么时候想听就听。你不用回我。"	gentle, tender
8	`lv11_0200_mom_voice_01_seg8`	"你今天接了好多电话吧。妈妈不打扰你了。晚安。"	gentle, almost smiling

每段单独合成后用 FFmpeg 拼接（见 §4.3）。

小美醉语音（第 09 条）分 4 段，speed 调低到 0.95，每段间加长停顿。

周南 4 段长讲述（第 13 条） 每段独立合成，段间留 800ms 静音。

3.4 系统 TTS

系统提示音（播报未读消息、念选项等）用 CosyVoice 预训练音色模式：

WebUI 选"预训练音色"
从下拉菜单选一个清晰的中性女声
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"

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）：

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

台词需要编剧写好，每版约 50 秒。

4. 后期处理（FFmpeg）

4.1 单条 TTS 标准处理链

# 变量
INPUT="audio/00_raw/tts/lv11_2103_mom_call_01_v1.wav"
OUTPUT="audio/01_processed/tts/lv11_2103_mom_call_01_v1.wav"

# 完整处理链（一条命令）:
# [1] 高通 80Hz 去低频噪
# [2] 压缩器 4:1
# [3] 响度归一化到 -16 LUFS
# [4] 限制峰值 -1 dBTP
ffmpeg -i "$INPUT" \
  -af "highpass=f=80,\
acompressor=threshold=-18dB:ratio=4:attack=20:release=250,\
loudnorm=I=-16:TP=-1:LRA=11,\
alimiter=limit=0.891" \
  -ar 48000 -sample_fmt s16 -ac 1 \
  -y "$OUTPUT"

4.2 加听筒效果（电话 / 微信语音形态）

INPUT="audio/01_processed/tts/lv11_2103_mom_call_01_v1.wav"
OUTPUT="audio/01_processed/tts/lv11_2103_mom_call_01_v1_phone.wav"

# 模拟手机听筒: HPF 300Hz + LPF 3.4kHz + 轻微饱和
ffmpeg -i "$INPUT" \
  -af "highpass=f=300:poles=2,\
lowpass=f=3400:poles=2,\
equalizer=f=1500:t=q:w=1:g=1,\
acompressor=threshold=-20dB:ratio=3:attack=5:release=50" \
  -y "$OUTPUT"

例外：mom 第 16 条 4'17" 长语音不加听筒效果——SOP 设计意图是"完整音质版"。

4.3 长戏分段拼接

# 1. 先给每段加 200ms 静音头尾
for seg in audio/00_raw/tts/lv11_0200_mom_voice_01_seg*.wav; do
  ffmpeg -i "$seg" \
    -af "adelay=200|200,apad=pad_dur=0.2" \
    -y "${seg%.wav}_padded.wav"
done

# 2. 生成拼接文件列表
ls audio/00_raw/tts/lv11_0200_mom_voice_01_seg*_padded.wav | \
  sed "s/^/file '/" | sed "s/$/'/" > /tmp/concat_list.txt

# 3. 拼接 + crossfade
ffmpeg -f concat -safe 0 -i /tmp/concat_list.txt \
  -af "acrossfade=d=0.05:c1=tri:c2=tri" \
  -y audio/00_raw/tts/lv11_0200_mom_voice_01_full.wav

# 注意：FFmpeg concat + acrossfade 只支持两个输入。
# 多段拼接需要逐段 crossfade，或直接 concat 后人工检查接缝。
# 推荐方案：先 concat 拼接，段间 200ms 静音已经足够自然。
ffmpeg -f concat -safe 0 -i /tmp/concat_list.txt \
  -c copy \
  -y audio/00_raw/tts/lv11_0200_mom_voice_01_full.wav

4.4 批量后期处理脚本

#!/bin/bash
# 批量处理 00_raw/tts/ → 01_processed/tts/
# 用法: bash audio/process_tts.sh

for f in audio/00_raw/tts/lv11_*.wav; do
  basename=$(basename "$f")
  output="audio/01_processed/tts/$basename"

  # 跳过已处理的
  [ -f "$output" ] && echo "跳过: $basename" && continue

  echo "处理: $basename"
  ffmpeg -i "$f" \
    -af "highpass=f=80,\
acompressor=threshold=-18dB:ratio=4:attack=20:release=250,\
loudnorm=I=-16:TP=-1:LRA=11" \
    -ar 48000 -sample_fmt s16 -ac 1 \
    -y "$output" 2>/dev/null

  echo "  → $output"
done

echo "TTS 后期处理完成"

4.5 最终打包（wav → ogg）

#!/bin/bash
# 01_processed → 02_final (ogg Vorbis q=5)
for f in audio/01_processed/tts/*.wav; do
  basename=$(basename "${f%.wav}.ogg")
  output="audio/02_final/tts/$basename"
  ffmpeg -i "$f" -c:a libvorbis -q:a 5 -y "$output" 2>/dev/null
done
echo "OGG 打包完成"

4.6 角色专属后期（按 SOP §4.2 配置卡）

# mom: 高频衰减 -3dB + 轻 reverb
ffmpeg -i input.wav -af "equalizer=f=5000:t=h:w=2000:g=-3" -y output.wav

# azhe: 中频衰减 -2dB（"闷"感）
ffmpeg -i input.wav -af "equalizer=f=2000:t=q:w=1:g=-2" -y output.wav

# delivery: 低频衰减 -6dB（模拟听筒）
ffmpeg -i input.wav -af "equalizer=f=200:t=h:w=200:g=-6" -y output.wav

# self-3y: 高频衰减 -2dB + 底噪（录音笔质感）
ffmpeg -i input.wav \
  -af "equalizer=f=5000:t=h:w=2000:g=-2" \
  -y output.wav
# 底噪可以后续叠加一层轻微白噪声

5. 音乐素材（Suno）

音乐生产仍走 Suno 云端，按 SOP §6 操作。

5.1 操作步骤

登录 Suno（需要 Pro 订阅）
选 Custom Mode
按 SOP §6.2 的 4 段曲 Prompt 生成
每段跑 2 轮（出 4 首候选），选最佳
用 Extend 延长到目标时长
下载 WAV 格式到 audio/00_raw/music/

5.2 铃声生成

按 SOP §6.3 的 9 个角色铃声 Prompt 在 Suno 生成。下载到 audio/00_raw/ringtone/。

5.3 音乐后期处理

# 音乐处理: 削 AI 浊感 + 响度 -18 LUFS
for f in audio/00_raw/music/*.wav; do
  basename=$(basename "$f")
  ffmpeg -i "$f" \
    -af "equalizer=f=350:t=q:w=1.5:g=-2,\
loudnorm=I=-18:TP=-1:LRA=11" \
    -ar 48000 \
    -y "audio/01_processed/music/$basename" 2>/dev/null
done

6. 音效素材（ElevenLabs SFX）

6.1 操作步骤

登录 ElevenLabs（Creator 订阅，含 Sound Effects）
按 SOP §7.2 的 Prompt 逐条生成
每条跑 3 次，挑最佳

下载后转 WAV：

# ElevenLabs 默认 mp3，转为 wav
for f in audio/00_raw/sfx/*.mp3; do
  ffmpeg -i "$f" -ar 48000 -y "${f%.mp3}.wav" && rm "$f"
done

6.2 音效后期

# 短音效响度 -14 LUFS
for f in audio/00_raw/sfx/*.wav; do
  basename=$(basename "$f")
  ffmpeg -i "$f" \
    -af "loudnorm=I=-14:TP=-1:LRA=11" \
    -ar 48000 \
    -y "audio/01_processed/sfx/$basename" 2>/dev/null
done

7. 环境底噪（Freesound）

7.1 操作步骤

按 SOP §8.1 的清单在 Freesound 搜索
过滤：CC0 优先，≥ 44.1kHz，下载 WAV
文件名加 Freesound ID：如 amb_apartment_night_fs123456.wav
立刻登记到版权表

7.2 环境底噪后期

# 环境底噪处理: HPF 60Hz + LPF 12kHz + 响度 -22 LUFS
for f in audio/00_raw/ambience/*.wav; do
  basename=$(basename "$f")
  ffmpeg -i "$f" \
    -af "highpass=f=60,lowpass=f=12000,\
loudnorm=I=-22:TP=-3:LRA=11" \
    -ar 48000 -ac 2 \
    -y "audio/01_processed/ambience/$basename" 2>/dev/null
done

7.3 单声道转假性立体声

# 如果下载到的是单声道，做假性立体声
INPUT="audio/01_processed/ambience/amb_apartment_night.wav"
OUTPUT="audio/01_processed/ambience/amb_apartment_night_stereo.wav"

ffmpeg -i "$INPUT" \
  -filter_complex "\
[0:a]asplit=2[L][R];\
[R]adelay=12|12,equalizer=f=8000:t=q:w=1:g=1[Rd];\
[L][Rd]amerge=inputs=2[out]" \
  -map "[out]" -ac 2 \
  -y "$OUTPUT"

8. QA 验收

8.1 响度检查脚本

#!/bin/bash
# 检查所有已处理音频的响度
echo "=== TTS 响度检查 (目标 -16 LUFS) ==="
for f in audio/01_processed/tts/*.wav; do
  result=$(ffmpeg -i "$f" -af "loudnorm=print_format=json" -f null - 2>&1 | \
    grep -A1 '"input_i"' | tail -1 | tr -d ' ",' | cut -d: -f2)
  echo "  $(basename "$f"): ${result} LUFS"
done

echo ""
echo "=== 音乐响度检查 (目标 -18 LUFS) ==="
for f in audio/01_processed/music/*.wav; do
  result=$(ffmpeg -i "$f" -af "loudnorm=print_format=json" -f null - 2>&1 | \
    grep -A1 '"input_i"' | tail -1 | tr -d ' ",' | cut -d: -f2)
  echo "  $(basename "$f"): ${result} LUFS"
done

echo ""
echo "=== 环境底噪响度检查 (目标 -22 LUFS) ==="
for f in audio/01_processed/ambience/*.wav; do
  result=$(ffmpeg -i "$f" -af "loudnorm=print_format=json" -f null - 2>&1 | \
    grep -A1 '"input_i"' | tail -1 | tr -d ' ",' | cut -d: -f2)
  echo "  $(basename "$f"): ${result} LUFS"
done

8.2 验收流程

自检：跑响度检查脚本，确认所有文件在目标范围 ±1 LUFS
单条听感：用耳机逐条听，标记不满意的（记录到 03_qa_reports/）
上下文听感：把同一时间段的所有音频按时间轴拼起来完整听一遍
不满意的重做：回到 §3 重新合成，调参或换参考音频

9. 执行顺序总结

第 1 步 · 部署环境 (§1)
    ↓    约 30 分钟
第 2 步 · 准备参考音频 (§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)     ← 最简单的先跑通流程
    ↓    约 1 小时
第 4 步 · 短台词批量生产 (§3.1/3.2)
    ↓    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

附录 A · 常见问题

Q: CosyVoice 生成的语音有电流声/杂音？ A: 检查参考音频质量。参考音频必须干净无噪，采样率 ≥ 16kHz。

Q: 语速不自然？ A: speed 参数范围 0.5-2.0。如果调速后音质下降，改为在合成文本中加标点控制节奏（句号=长停顿，逗号=短停顿）。

Q: 怎样让同一个音色听起来"醉了"？ A: CosyVoice 没有情绪控制参数。替代方案：

在文本中插入省略号、重复字来模拟口齿不清

后期用 FFmpeg 轻微变速+加混响：

ffmpeg -i drunk.wav -af "atempo=0.95,aecho=0.8:0.7:40:0.3" -y drunk_fx.wav

Q: WebUI 启动报 CUDA 错误？ A: 确认 conda env 正确：conda activate cosyvoice。确认 GPU 可用：nvidia-smi。

Q: 生成很慢？ A: RTX 5090 应该很快（远超实时）。如果慢，检查是否误用了 CPU。在 Python 中加 print(torch.cuda.is_available()) 确认。

24 KiB Raw Blame History Unescape Escape