# 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）  
> 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 |
| 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 |
|------|-------|---------|------|--------------|---------|
| **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. **ChatTTS** — 对话自然度最高，适合即兴/随机对白生成
2. **F5-TTS** — 保留为按需部署项，适合需要更高质量零样本克隆时补充评估

#### 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 1.0** | 已部署 | ~12GB | 47s 立体声 44.1kHz；SFX 和音乐兼顾；代码和模型均已在本机 | 音效与短音乐片段 |

**部署优先级建议**：
1. **Stable Audio Open 1.0** — 已在本机 (`/home/xsl/tools/stable-audio-tools/`) 部署完成，可直接用于精细音效补充
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 1.0** | ~12GB | 音效生成品质最高的开源方案之一；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 1.0** — 同上，已完成部署，可直接用于补充 ACE-Step 不擅长的精细音效
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 |
|------|-------|----------|---------|
| **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**：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) |

**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/`

> 版本说明：当前本机已部署并验证的是 **Stable Audio Open 1.0**。此前文档中出现的 "Stable Audio Open 1.5" 作为潜在升级方向处理，不与当前已部署环境混用；若后续升级，需要单独记录模型路径、配置文件和启动命令。

#### 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
```

### 下一优先级 — 待部署

| 序号 | 工具 | 操作 | 预计耗时 | VRAM |
|------|------|------|---------|------|
| 2 | **ChatTTS** | `pip install ChatTTS` → 下载模型 | 30min | 4GB |

### 按需部署

| 序号 | 工具 | 场景 |
|------|------|------|
| 3 | **F5-TTS** | 需要更高质量零样本声音克隆，且 VoxCPM2/CosyVoice2 不满足时 |
| 4 | **DiffRhythm 2** | 需要快速迭代大量 BGM 候选时 |
| 5 | **AudioLDM 2** | 需要精确短音效生成时 |
| 6 | **YuE** | 需要完整中文歌曲（人声+伴奏）时 |
| 7 | **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   │
                │ Kokoro-82M    │  │            │  │ ElevenLabs │
                │               │  │            │  │ 通义 TTS   │
                └───────────────┘  └────────────┘  └────────────┘
                ┌───────────────┐  ┌────────────┐  ┌────────────┐
   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    │
                │               │  │ RVC v2     │  │ 豆包       │
                └───────────────┘  └────────────┘  └────────────┘
                ┌───────────────┐
   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 |
| 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 |
|------|---------|------|
| ACE-Step 生成全部音效 | → Stable Audio Open 1.0 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 |