221 lines
8.9 KiB
Markdown
221 lines
8.9 KiB
Markdown
# 《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。**
|