8.9 KiB
8.9 KiB
《林夏》音色参考音频采集清单
CosyVoice「3s极速复刻」需要每个角色提供一段 5-20 秒的干净人声参考音频。 音色采集是整个音频生产的第一步也是最关键一步——TTS 的最终质量上限就是参考音频的质量。
采集规格（所有角色统一）
- 时长：10-20 秒（太短克隆不稳，太长无意义）
- 内容：说一段完整的中文，语速自然，情绪平稳
- 录制要求：干声，无 BGM，无混响，无明显底噪
- 格式：WAV 或 MP3 均可（后续统一转 16kHz WAV）
- 如果是从视频/播客截取：用安静片段，避免多人同时说话的段落
需要采集的 11 条参考音频
1. mom — 妈妈
| 项 | 要求 |
|---|---|
| 性别/年龄 | 女，45-55 岁 |
| 音色关键词 | 温柔、不黏腻、略带沧桑、说话慢半拍 |
| 口音 | 普通话为主，可以有轻微西北口音（不强求） |
| 情绪 | 平稳温和，不是那种激昂的或播音腔的 |
| 避免 | 太年轻、太甜、太播音、太严厉 |
| 找人方案 | 找一位 45-55 岁的阿姨录 15 秒日常说话（比如让她念："今天天气不错，妈妈给你做了红烧排骨，等你回来吃饭，路上慢点。"） |
| 截取方案 | 影视剧中温柔母亲角色的对白片段；中年女性生活 vlog |
| 这个角色为什么重要 | 全片情感支柱。第 16 条 4 分 17 秒长戏是全片高潮，音色必须对 |
2. azhe — 阿哲（前任男友）
| 项 | 要求 |
|---|---|
| 性别/年龄 | 男，25-28 岁 |
| 音色关键词 | 城市感、干净、理性、偏冷、没有攻击性但也没有温度 |
| 口音 | 标准普通话，北京口音淡 |
| 情绪 | 像在跟同事说话——礼貌但已经抽离 |
| 避免 | 太温暖、太油腻、太沧桑、方言重 |
| 截取方案 | 年轻男性播客主播冷静讲述片段；商务/科技类 vlog 男声旁白 |
| 台词量 | 少，只有 2 条，但"第一刀"效果全靠音色的冷感 |
3. xiaomei — 小美（闺蜜）
| 项 | 要求 |
|---|---|
| 性别/年龄 | 女，23-25 岁 |
| 音色关键词 | 活泼、大大咧咧、语速偏快、北漂女孩感 |
| 口音 | 普通话，可以有点北方口语感（"嘛""呗"之类自然） |
| 情绪 | 参考音频录正常活泼状态即可（醉戏靠后期调） |
| 避免 | 太嗲、太文静、太播音 |
| 找人方案 | 找一个 23-25 岁活泼的女生朋友，让她用"跟闺蜜聊天"的语气说段话 |
| 截取方案 | 年轻女性 vlog 日常聊天片段 |
| 附加说明 | self-3y（3年前的林夏）复用这个音色做基底，所以这条参考音频同时决定两个角色 |
4. zhounan — 周南（初中同桌）
| 项 | 要求 |
|---|---|
| 性别/年龄 | 男，25-27 岁 |
| 音色关键词 | 温和、拘谨、不油腻、有点紧张感、二三线城市小镇青年气质 |
| 口音 | 普通话，稍带一点点不够标准的感觉（不是播音腔） |
| 情绪 | 克制的，说话声音略轻，像怕打扰到别人 |
| 避免 | 太自信、太老成、太帅哥感、太粗犷 |
| 截取方案 | 文艺/读书类播客里说话温和的男生；纪录片中普通年轻男性受访者 |
| 这个角色为什么重要 | 全片"苦中一缕甜"。他的声音必须让人觉得"这个人很好但不会推销自己" |
5. hr — HR 王姐
| 项 | 要求 |
|---|---|
| 性别/年龄 | 女，35-40 岁 |
| 音色关键词 | 知性、职业、温和但有距离感、像个靠谱的大姐 |
| 口音 | 标准普通话 |
| 情绪 | 公事公办但不冷漠，带一点点疲惫的善意 |
| 避免 | 太年轻、太甜、太严厉、太做作 |
| 截取方案 | 职场类播客女主播；新闻女主播（偏柔和那种，不是央视腔） |
| 台词量 | 只有 1 条，但角色感很重要 |
6. anan — 室友安安
| 项 | 要求 |
|---|---|
| 性别/年龄 | 女，22-24 岁 |
| 音色关键词 | 可爱、嗲、兴奋、比小美更"甜"一档 |
| 口音 | 普通话 |
| 情绪 | 自顾自的快乐，不是故意撒娇而是天生就这样 |
| 避免 | 和 xiaomei 太像（必须能区分） |
| 找人方案 | 找一个声线偏甜的女生朋友 |
| 截取方案 | 可爱类女性 UP 主日常 vlog |
| 台词量 | 只有 1 条短语音 |
7-9. dorm-a / dorm-b / dorm-c — 寝室群三人
这三个角色同时出现在大学群聊里，必须互相能区分，也必须和小美/安安区分。
| 角色 | 人设 | 音色方向 | 和谁不能像 |
|---|---|---|---|
| dorm-a | 升职那位，语速快，爱热闹 | 开朗外向，语速快，声线偏亮 | 不能像 xiaomei（小美比她更"野"） |
| dorm-b | 和事佬，温和 | 温柔日常，不突出，中间音色 | 不能像 anan（安安比她更嗲） |
| dorm-c | @林夏的那个，偏冷静 | 偏沉稳，年轻女声里偏低的那种 | 不能像 hr（HR 比她更成熟） |
每人需要一条独立的参考音频。找 3 个不同声线的年轻女声。
10. delivery — 外卖小哥
| 项 | 要求 |
|---|---|
| 性别/年龄 | 男，28-32 岁 |
| 音色关键词 | 麻利、工作状态、不寒暄、北方普通话 |
| 口音 | 普通话 + 少许河南/河北腔（轻微就行） |
| 情绪 | 中性，工作语气，不热情也不冷漠 |
| 避免 | 太文雅、太慢 |
| 截取方案 | 短视频里外卖小哥/快递员说话的片段 |
| 台词量 | 只有 1 句话 |
11. system — 系统 TTS
| 项 | 要求 |
|---|---|
| 方案 | 不需要采集参考音频，直接用 CosyVoice 内置预训练音色 |
| 音色方向 | 中性 AI 女声，清晰、无感情、类似 Siri 但更轻 |
| 操作 | 启动 WebUI 后在"预训练音色"模式里试听，选一个最合适的 |
不需要单独采集的
| 角色 | 原因 |
|---|---|
self-3y（3年前的自己） |
复用 xiaomei 的参考音频，合成时调速度 |
self-laugh（林夏的笑声） |
TTS 无法自然生成笑声。最佳方案：找 xiaomei 同一个人笑一声录下来。备选：后期合成 |
unknown（未知号码） |
无台词，只有呼吸声，从音效库获取 |
system |
用 CosyVoice 预训练音色，无需参考 |
汇总：你需要找到的人/素材
| # | 需求 | 优先级 | 最省事的方式 |
|---|---|---|---|
| 1 | 一位 45-55 岁女性说 15 秒话 | 最高 | 找妈妈/阿姨/同事的妈妈录一段 |
| 2 | 一位 25-28 岁冷感男声 10 秒 | 高 | 播客/有声书截取 |
| 3 | 一位 23-25 岁活泼女生说 15 秒话 | 最高 | 找朋友录（同时给 self-3y 用，再录一声笑给 self-laugh 用） |
| 4 | 一位 25-27 岁温和男声 10 秒 | 高 | 播客/纪录片截取 |
| 5 | 一位 35-40 岁知性女声 10 秒 | 中 | 播客截取 |
| 6 | 一位 22-24 岁甜美女声 10 秒 | 中 | 找朋友录或 UP 主截取 |
| 7-9 | 3 位不同声线的年轻女声各 10 秒 | 中 | 可以从不同 UP 主截取 |
| 10 | 一位北方口音男性 10 秒 | 低 | 短视频截取 |
最少找 2 个真人录音（#1 妈妈 + #3 小美/林夏），其余都可以截取。
录音指导话术（发给帮忙录音的人）
给"妈妈"录音的人：
帮个忙，用手机录一段话，15-20 秒就行。找个安静的地方，用你平时说话的语气念：
"今天天气不错，妈妈给你做了红烧排骨，等你回来吃饭。路上慢点，别着急。对了，你上次说的那个同事后来怎么样了？没事就算了，妈妈就是随便问问。"
不用播音腔，就像平时跟孩子打电话一样说就行。录完发我微信就好，谢谢！
给"小美/林夏"录音的人：
帮个忙，用手机录一段话，15 秒左右。找个安静的地方，就用你平时跟朋友聊天的语气说：
"哎你猜怎么着，今天路上遇到一个超搞笑的事，就那个奶茶店你知道吧，门口排了好长的队，结果我一去发现今天闭店了，白走一趟！"
然后再录一声自然的笑——就"噗"一下笑出来那种，不用太夸张，3 秒就行。
两条录音分开发我就行，谢谢！
文件命名与交付
录好 / 截取好后，按这个格式命名，放到 audio/00_raw/tts/prompt_ref/：
mom_ref.wav
azhe_ref.wav
xiaomei_ref.wav ← 同时作为 self-3y 基底
xiaomei_laugh_ref.wav ← 给 self-laugh 用
zhounan_ref.wav
hr_ref.wav
anan_ref.wav
dorm_a_ref.wav
dorm_b_ref.wav
dorm_c_ref.wav
delivery_ref.wav
每条参考音频旁边配一个同名 .txt 记录对应文字内容（CosyVoice 克隆时需要）：
mom_ref.txt → 写这段录音里说了什么字
azhe_ref.txt → ...
收齐这 10 条参考音频后，就可以开始 TTS 生产了。