镜像名称

• Voice Sculptor捏声音基于LLaSA和CosyVoice2的指令化语音合成语音模型 二次开发构建by科哥

• 1、开机自动运行，等1-2分钟后，打开 【sd-webui】即可进入使用界面；

• 4、源码更新地址：
• https://github.com/ASLP-lab/VoiceSculptor

---

bug反馈可以加入科哥专属群交流➕ 广告勿进！​

​

科哥在UCloud镜像列表【不断更新中】：

• https://kege-aigc.feishu.cn/docx/L3FVdQl7kom8Ckx7QiicQj2VnEd

---

VoiceSculptor 用户使用手册

通过自然语言指令定制你的专属语音风格

---

📖 目录

• 快速启动
• 界面介绍
• 基本使用流程
• 声音风格说明
• 细粒度控制
• 常见问题

---

🚀 快速启动

启动 WebUI

在终端中执行以下命令：

/bin/bash /root/VoiceSculptor/scripts/start_app.sh

启动成功后，会看到类似以下输出：

Running on local URL:  http://0.0.0.0:7860

访问界面

在浏览器中打开以下任一地址：

• http://127.0.0.1:7860
• http://localhost:7860

如果在远程服务器上运行，请将 127.0.0.1 替换为服务器的 IP 地址

重启应用

如需重启应用，再次执行启动命令即可，脚本会自动：

1. 检测并终止占用 7860 端口的旧进程
2. 清理 GPU 显存
3. 启动新的应用实例

---

🖥️ 界面介绍

VoiceSculptor WebUI 分为左右两个主要区域：

左侧：音色设计面板

1. 风格与文本（默认展开）

组件	说明
风格分类	选择声音风格的大类（角色/职业/特殊）
指令风格	选择具体的声音风格模板
指令文本	描述你想要的声音特质（≤200字）
待合成文本	输入要合成的文字内容（≥5字）

2. 细粒度声音控制（可选，默认折叠）

可以精确控制以下参数：

• 年龄：小孩 / 青年 / 中年 / 老年
• 性别：男性 / 女性
• 音调高度：音调很高 → 音调很低
• 音调变化：变化很强 → 变化很弱
• 音量：音量很大 → 音量很小
• 语速：语速很快 → 语速很慢
• 情感：开心 / 生气 / 难过 / 惊讶 / 厌恶 / 害怕

建议：细粒度控制应与指令描述保持一致

3. 最佳实践指南（默认折叠）

包含音色设计的建议和约束条件

右侧：生成结果面板

组件	说明
生成音频按钮	点击开始合成音频
生成音频 1/2/3	显示生成的 3 个音频结果

---

📝 基本使用流程

方式一：使用预设模板（推荐新手）

1. 选择风格分类

   • 点击"风格分类"下拉菜单
   • 选择：角色风格 / 职业风格 / 特殊风格

2. 选择具体模板

   • 点击"指令风格"下拉菜单
   • 选择你想要的声音风格

3. 查看自动填充的内容

   • "指令文本"会自动填充声音描述
   • "待合成文本"会自动填充示例文本

4. （可选）修改内容

   • 可以修改指令文本，自定义声音风格
   • 可以修改待合成文本，输入你想说的内容

5. 生成音频

   • 点击"🎧 生成音频"按钮
   • 等待约 10-15 秒

6. 试听并下载

   • 聆听 3 个音频版本
   • 点击下载图标保存喜欢的版本

方式二：完全自定义

1. 在"风格分类"中选择任意分类
2. 在"指令风格"中选择"自定义"
3. 在"指令文本"中输入你的声音描述（参考下节写法建议）
4. 在"待合成文本"中输入要合成的文字
5. 点击"🎧 生成音频"

---

🎭 声音风格说明

18 种内置风格速查

角色风格（9 种）

风格	特点	适用场景
幼儿园女教师	甜美明亮、极慢语速、温柔鼓励	儿童故事、睡前故事
电台主播	音调偏低、微哑、平静忧伤	深夜情感节目
成熟御姐	磁性低音、慵懒暧昧、掌控感	情感配音、角色扮演
年轻妈妈	柔和偏低、温暖安抚、轻柔哄劝	儿歌、安抚内容
小女孩	天真高亢、快节奏、尖锐清脆	儿童配音、活泼内容
老奶奶	沙哑低沉、极慢温暖、怀旧神秘	民间故事、传说
诗歌朗诵	深沉磁性、顿挫有力、激昂澎湃	诗歌、演讲、宣言
童话风格	甜美夸张、跳跃变化、奇幻	童话、动画配音
评书风格	传统说唱、变速节奏、江湖气	武侠故事、传统评书

职业风格（7 种）

风格	特点	适用场景
新闻风格	标准普通话、平稳专业、客观中立	新闻播报、正式内容
相声风格	夸张幽默、时快时慢、起伏大	相声、喜剧内容
悬疑小说	低沉神秘、变速节奏、悬念感	悬疑故事、恐怖小说
戏剧表演	夸张戏剧、忽高忽低、充满张力	戏剧独白、表演
法治节目	严肃庄重、平稳有力、法律威严	法治栏目、严肃内容
纪录片旁白	深沉磁性、缓慢画面感、敬畏诗意	纪录片、自然类内容
广告配音	沧桑浑厚、缓慢豪迈、历史底蕴	商业广告、品牌宣传

特殊风格（2 种）

风格	特点	适用场景
冥想引导师	空灵悠长、极慢飘渺、禅意	冥想、放松、助眠
ASMR	气声耳语、极慢细腻、极度放松	ASMR、助眠内容

如何写好指令文本

✅ 好的指令示例

这是一位男性评书表演者，用传统说唱腔调，以变速节奏和韵律感极强的语速讲述江湖故事，音量时高时低，充满江湖气。

分析：

• 明确人设：男性评书表演者
• 具体特质：传统说唱腔调、变速节奏、韵律感强
• 情绪氛围：江湖气
• 多维度覆盖：人设 + 音色 + 节奏 + 情感

❌ 不好的指令示例

声音很好听，很不错的风格。

问题：

• "好听""不错"太主观，无法感知
• 缺少具体的声音特质描述
• 没有人设和场景

写法建议

原则	说明
具体	用可感知特质词：低沉/清脆/沙哑/明亮、语速快慢、音量大小
完整	覆盖 3-4 个维度：人设/场景 + 性别/年龄 + 音调/语速 + 音质/情绪
客观	描述声音特征，避免"我喜欢""很棒"
不做模仿	不要说"像某某明星"，只描述声音特质本身
精炼	每个词都承载信息，避免重复（如"非常非常"）

---

🎛️ 细粒度控制

参数说明

参数	可选值	说明
年龄	不指定/小孩/青年/中年/老年	控制说话者的年龄感
性别	不指定/男性/女性	控制说话者的性别
音调高度	不指定/音调很高→很低	控制声音的音高
音调变化	不指定/变化很强→很弱	控制语调的起伏程度
音量	不指定/音量很大→很小	控制音量大小
语速	不指定/语速很快→很慢	控制说话速度
情感	不指定/开心/生气/难过/惊讶/厌恶/害怕	控制情绪倾向

使用建议

1. 保持一致

   • 细粒度控制应与指令文本描述一致
   • 避免矛盾（如指令说"低沉"，细粒度选"音调很高"）

2. 不必全部填写

   • 大部分情况保持"不指定"即可
   • 只在需要微调时填写特定参数

3. 组合示例

   想要的效果：年轻女性激动地说好消息

   指令文本：一位年轻女性，用明亮高亢的嗓音，以较快的语速兴奋地宣布好消息。
   
   细粒度控制：
   - 年龄：青年
   - 性别：女性
   - 语速：语速较快
   - 情感：开心
   

---

❓ 常见问题

Q1：生成音频需要多久？

A： 通常 10-15 秒，具体取决于：

• 文本长度
• GPU 性能
• 当前显存占用情况

Q2：为什么同样的输入生成的音频不一样？

A： 这是模型的正常特性，存在一定随机性。建议：

• 多生成几次（3-5次）
• 选择最满意的版本

Q3：音频质量不满意怎么办？

A： 尝试以下方法：

1. 多生成几次，挑选最佳版本
2. 优化指令文本描述，参考《声音风格.md》中的模板
3. 检查细粒度控制是否与指令矛盾

Q4：可以合成多长的文本？

A：

• 单次建议不超过 200 字
• 超长文本建议分段合成

Q5：支持哪些语言？

A： 当前版本仅支持中文。英文及其他语言正在开发中。

Q6：生成音频保存在哪里？

A：

• 网页中可点击下载图标直接下载
• 自动保存到 outputs/ 目录，按时间戳命名
• 包含 3 个音频文件和 metadata.json

Q7：提示 CUDA out of memory 怎么办？

A： 执行以下清理步骤：

# 清理 Python 进程
pkill -9 python

# 清理 GPU 设备占用
fuser -k /dev/nvidia*

# 等待 3 秒
sleep 3

# 检查显存状态
nvidia-smi

然后重新启动应用。

Q8：端口被占用怎么办？

A： 启动脚本会自动处理。如需手动处理：

# 查找占用进程
lsof -i :7860

# 终止进程
lsof -ti:7860 | xargs kill -9

# 等待 2 秒后重启
sleep 2

---

📚 相关文档

• 声音风格参考手册 - 18 种预设风格详解
• 镜像说明文档 - 环境配置与部署
• 开发者记录 - 二次开发记录

---

💡 使用技巧

技巧 1：快速试错

不要指望一次生成就完美，多尝试不同的指令描述，找到最佳效果。

技巧 2：组合使用

• 先用预设模板生成基础效果
• 再根据需要微调指令文本
• 最后用细粒度控制精确调节

技巧 3：保存好配置

生成满意的效果后：

1. 记录指令文本
2. 记录细粒度控制参数
3. 保存 metadata.json 便于复现

---

📞 技术支持

如遇问题或需要帮助，请联系：

• 微信： 312088415
• 开发者： 科哥

---

VoiceSculptor | 基于 LLaSA 和 CosyVoice2 的指令化语音合成解决方案 承诺永远开源使用，保留原作者版权信息

---

VoiceSculptor 声音风格参考手册

本文档整理了 VoiceSculptor 内置的 18 种声音风格样例，按分类组织，供用户参考使用。

---

📋 目录

• 角色风格 (9 种)
• 职业风格 (7 种)
• 特殊风格 (2 种)
• 音色设计指南

---

🎭 角色风格

1. 幼儿园女教师 - 温柔甜美

提示词：

这是一位幼儿园女教师，用甜美明亮的嗓音，以极慢且富有耐心的语速，带着温柔鼓励的情感，用标准普通话给小朋友讲睡前故事，音量轻柔适中，咬字格外清晰。

待合成文本：

月亮婆婆升上天空啦，星星宝宝都困啦。小白兔躺在床上，盖好小被子，闭上眼睛。兔妈妈轻轻地唱着摇篮曲：睡吧睡吧，我亲爱的宝贝。

---

2. 电台主播 - 平静温柔

提示词：

深夜电台主播，男性、音调偏低、语速偏慢、音量小；情绪平静带点忧伤，语气温柔；音色微哑

待合成文本：

大家好，欢迎收听你的月亮我的心，好男人就是我，我就是：曾小贤。

---

3. 成熟御姐 - 温柔暧昧

提示词：

成熟御姐风格，语速偏慢，音量适中，情绪慵懒暧昧，语气温柔笃定带掌控感，磁性低音，吐字清晰，尾音微挑，整体有贴近感与撩人的诱惑。

待合成文本：

小帅哥，今晚有空吗？陪姐姐喝一杯，聊点有意思的。

---

4. 年轻妈妈 - 温暖安抚

提示词：

年轻妈妈哄孩子入睡，女性、音调柔和偏低、语速偏慢、音量偏小但清晰；情绪温暖安抚、充满耐心与爱意，语气轻柔哄劝、像贴近耳边低声说话；音色软糯，吐字清晰、节奏舒缓。

待合成文本：

从前有座山，山里有座庙，庙里面有个小和尚，小和尚在给老和尚讲故事，他说：从前有座山，山里有座庙，庙里面有一个小和尚。

---

5. 小女孩 - 尖锐清脆

提示词：

一位7岁的小女孩，用天真高亢的童声，以不稳定的快节奏，充满兴奋和炫耀地背诵乘法口诀，音调忽高忽低，带着儿童特有的尖锐清脆。

待合成文本：

一一得一！一二得二！一三得三！我会背乘法口诀啦！老师今天表扬我啦！妈妈说我最棒！

---

6. 老奶奶 - 沙哑低沉

提示词：

一位慈祥的老奶奶，用沙哑低沉的嗓音，以极慢而温暖的语速讲述民间传说，音量微弱但清晰，带着怀旧和神秘的情感。

待合成文本：

很久很久以前，在山的那边，住着一只会说话的狐狸。它常常在月圆之夜，变成美丽的姑娘，来到村子里。

---

7. 诗歌朗诵 - 雄浑有力

提示词：

一位男性现代诗朗诵者，用深沉磁性的低音，以顿挫有力的节奏演绎艾青诗歌，音量洪亮，情感激昂澎湃。

待合成文本：

为什么我的眼里常含泪水？因为我对这土地爱得深沉。这土地，这河流，这吹刮着的暴风。

---

8. 童话风格 - 甜美夸张

提示词：

这是一位女性童话旁白朗诵者，用甜美夸张的童声，以跳跃变化的语速讲述《安徒生童话》，音调偏高，充满奇幻色彩。

待合成文本：

在一个很冷很冷的夜晚，小女孩擦亮了一根火柴。突然，温暖的火炉出现了！她觉得自己好像坐在火炉旁。

---

9. 评书风格 - 抑扬顿挫

提示词：

这是一位男性评书表演者，用传统说唱腔调，以变速节奏和韵律感极强的语速讲述江湖故事，音量时高时低，充满江湖气。

待合成文本：

话说那武松，提着哨棒，直奔景阳冈。天色将晚，酒劲上头，只听一阵狂风，老虎来啦！

---

💼 职业风格

1. 新闻风格 - 平静专业

提示词：

这是一位女性新闻主播，用标准普通话以清晰明亮的中高音，以平稳专业的语速播报时事新闻，音量洪亮，情感客观中立。

待合成文本：

本台讯，今日凌晨，我国成功发射新一代载人飞船试验船。此次任务验证了多项关键技术，为后续空间站建设奠定基础。

---

2. 相声风格 - 夸张幽默

提示词：

这是一位男性相声表演者，用夸张幽默的嗓音，以时快时慢的节奏抖包袱，音调起伏大，充满喜感和节奏感。

待合成文本：

我这个人啊，最大的优点就是太谦虚。谦虚到什么程度？连谦虚本身都觉得我太谦虚了！

---

3. 悬疑小说 - 低沉神秘

提示词：

一位男性悬疑小说演播者，用低沉神秘的嗓音，以时快时慢的变速节奏营造紧张氛围，音量忽高忽低，充满悬念感。

待合成文本：

深夜，他独自走在空无一人的小巷。脚步声，回声，还有……另一个人的呼吸声。他猛地回头——什么也没有。

---

4. 戏剧表演 - 夸张戏剧

提示词：

这是一位男性戏剧表演者，用夸张戏剧化的嗓音，以忽高忽低的音调和时快时慢的语速表演独白，充满张力。

待合成文本：

我疯了！彻底疯了！你们都说我疯了！可疯的是这个世界！清醒的人反而被当成疯子！

---

5. 法治节目 - 庄严庄重

提示词：

这是一位男性法治节目主持人，用严肃庄重的嗓音，以平稳有力的语速讲述案件，音量适中，体现法律的威严。

待合成文本：

天网恢恢，疏而不漏。任何触犯法律的行为，终将受到公正的审判。正义或许会迟到，但绝不会缺席。

---

6. 纪录片旁白 - 低沉磁性

提示词：

这是一位男性纪录片旁白，用深沉磁性的嗓音，以缓慢而富有画面感的语速讲述自然奇观，音量适中，充满敬畏和诗意。

待合成文本：

在这片广袤的非洲草原上，生命与死亡每天都在上演。猎豹的速度，羚羊的敏捷，都是生存的代价。

---

7. 广告配音 - 沧桑浑厚

提示词：

这是一位男性白酒品牌广告配音，用沧桑浑厚的嗓音，以缓慢而豪迈的语速，音量洪亮，传递历史底蕴和男人情怀。

待合成文本：

一杯敬过往，一杯敬远方。传承千年的酿造工艺，只在每一滴醇香。老朋友，值得好酒。

---

🌟 特殊风格

1. 冥想引导师 - 空灵悠长

提示词：

一位女性冥想引导师，用空灵悠长的气声，以极慢而飘渺的语速，配合环境音效，音量轻柔，营造禅意空间。

待合成文本：

想象你是一片叶子，随风飘落。没有牵挂，没有重量。只有呼吸，只有当下，只有宁静。

---

2. ASMR - 气声耳语

提示词：

一位女性ASMR主播，用气声耳语，以极慢而细腻的语速，配合唇舌音，音量极轻，营造极度放松的氛围。

待合成文本：

现在，让我在你耳边轻声细语。听到我的声音了吗？放松你的头皮，感受每一个毛孔都在呼吸。

---

📚 音色设计指南

关键约束

• 指令文本 ≤ 200 字
• 当前仅支持中文
• 待合成文本长度 ≥ 5 个字

写法建议

原则	说明
具体	用可感知特质词（低沉/清脆/沙哑/明亮、语速快慢、音量大小等），避免"好听/不错"
完整	建议覆盖 3–4 个维度（人设/场景 + 性别/年龄 + 音调/语速 + 音质/情绪）
客观	描述声音特征与表达方式，避免"我喜欢/很棒"
不做模仿	禁止"像某明星/某演员"，只描述声音特质本身
尽量精炼	每个词都承载信息，避免重复强调（如"非常非常"）

细粒度控制提示

细粒度控制（年龄/性别/音调/语速/音量/情感等）建议与指令描述保持一致，尽量避免相互矛盾（如指令写"低沉慢速"，细粒度却选"音调很高/语速很快"）。

控制选项参考

控制项	可选值
年龄	不指定 / 小孩 / 青年 / 中年 / 老年
性别	不指定 / 男性 / 女性
音调高度	不指定 / 音调很高 / 音调较高 / 音调中等 / 音调较低 / 音调很低
音调变化	不指定 / 音调变化很强 / 音调变化较强 / 音调变化一般 / 音调变化较弱 / 音调变化很弱
音量	不指定 / 音量很大 / 音量较大 / 音量中等 / 音量较小 / 音量很小
语速	不指定 / 语速很快 / 语速较快 / 语速中等 / 语速较慢 / 语速很慢
情感	不指定 / 开心 / 生气 / 难过 / 惊讶 / 厌恶 / 害怕

---

📌 使用说明

1. 在 WebUI 中选择对应的风格分类
2. 选择具体的指令风格模板
3. 系统会自动填充指令文本和待合成文本
4. 可根据需要调整细粒度控制参数
5. 点击生成音频按钮开始合成

音色有随机性，不满意的话可以多生成几次，挑你最喜欢的版本。

---

完整指南请见： Voice Design README

---

本文档由 VoiceSculptor 自动生成 | webUI二次开发 by 科哥 | 微信：312088415