声纹（声音克隆）

基本介绍

声纹技术是指通过人工智能模型，生成与特定声音特征一致的语音音频。将声纹信息与文本内容结合，可以生成具有特定音色、语调和语速的语音。声纹技术广泛应用于个性化语音合成、语音助手、智能客服等领域。

目前模型广场已上线的语音合成模型基本都支持声纹，但是每个模型使用声纹的方式有所不同，主要包含如下几种方式：

• 内置声纹
• 直接使用录音作为声纹
• 使用录音与对应的文本内容作为声纹
• 使用 .pt 格式的声纹文件

一. 内置声纹

部分模型不支持自定义声纹，它内置了为数不多的几个声纹信息，用户可以直接使用这些模型进行语音合成。例如 Spark-TTS-0.5B 可以选择内置的男生、女生声纹。

二. 直接使用录音作为声纹

IndexTTS-1.5 使用录音作为声纹信息，用户只需上传一段音频文件，模型会自动提取音频中的声音特征进行语音合成。

三. 使用录音与对应的文本内容作为声纹

如下图所示，F5-TTS 、 CosyVoice2-0.5B 和 Step-Audio-TTS-3B 模型的声纹要求都是录制一段 WAV 格式的示例录音，以及对该录音的文字内容作为声纹信息。请使用录音软件录制吐字清晰的音频，时长建议保持在 5-15 秒，文件格式为 .wav ，建议文件不易过大。

四. 使用 .pt 格式的声纹文件

只需在语音生成模型的参数设置中配置 voice_url ，以 URL 的形式传递 .pt 格式的声纹文件给模型，即可生成和文件中声音特征一致的音频。主要包括以下几个关键步骤：

1. 制作.pt 格式的声纹文件，可以通过音频文件转制而成，不同模型所要求的声纹文件不同：

• CosyVoice-300M 和 fish-speech-1.2-sft 模型可使用平台提供的声纹文件接口制作。
• ChatTTS 模型可使用 ChatTTS 声音克隆工具 http://region-9.autodl.pro:41137/ 制作（目前该页面已不可访问，官方不再提供直接生成 pt 文件的服务）。

2. 将制作好的 .pt 格式的声纹文件，存放在公开可下载的地址，比如放在您的 Gitee 代码仓库中。

3. 复制下载地址至下图模型中的 voice_url 参数，最后输入文本并运行，就能生成与文件音色一致的声音了。

步骤1：制作.pt 格式的声纹文件

1.1 制作音频文件

使用录音软件录制吐字清晰的音频，时长建议保持在 5-15 秒，文件格式为 .mp3 或 .m4a ，建议文件不易过大。

1.2 生成 CosyVoice-300M 和 fish-speech-1.2-sft 模型的声纹文件

将音频文件上传至平台提供的声音特征提取接口，下面是接口的详细说明：

功能描述

该接口用于处理音频文件，提取关键音频特征

注意事项

• 文件大小限制：小于 5 M
• 支持的音频格式：.mp3 或 .m4a
• 该接口可以提取音频中的关键特征用于后续处理和分析

调用方式

HTTPS 调用

POST https://api.moark.com/v1/audio/voice-feature-extraction

请求参数

参数位置	名称	类型	必填	说明
Header	Authorization	string	是	访问令牌，可在工作台->设置->访问令牌，进行生成获取。值格式："Bearer access_token"，示例值："Bearer t-g1044qeGEDXTB6NDJOGV4JQCYDGHRBARFTGT1234"
form-data	file	file	是	语音内容。注意：Content-Type 为 application/octet-stream，示例值为二进制文件。
form-data	prompt_text	string	是	提词内容。注意：与录音内容一致的文字描述。
form-data	model	string	是	模型名称：CosyVoice-300M

返回参数

HTTP 状态码为 200 时，表示成功。返回文件二进制流。

cURL 示例

cURL
--location --request POST 'https://api.moark.com/vi/audio/voice-feature-extraction'
--header 'Authorization: Bearer 输入您的访问令牌 '
--form 'model="CosyVoice-300M"'
--form 'file=@"上传.mp3 或.m4a格式的文件"'
--form 'prompt_text="和录音内容一致的文字描述“’

使用 APIfox 接口工具请求示例

1）新建接口井输入接口地址。

2）添加 Authorization 参数，参数值可以在模力方舟工作台-访问令牌获取。

3）选择 Body -> form-data 。

4）添加 file 参数，并上传音频文件；添加 prompt_text 参数，参数值是和录音内容一致的文字描述，添加完成后点击发送。

5）请求成功后，下载接口返回的文件，并修改文件名为 xxxx.pt。

1.3 生成 ChatTTS 模型的声纹文件

1） 访问 Chattts 的声音克隆工具 http://region-9.autodl.pro:41137/

2）上传/录制音频，点击 submit 。等待生成

3） 生成成功后，请下载 ChatTTS pypi 版本的 pt 文件

步骤2：上传声纹文件并获取下载地址

语音生成模型的 voice_url 参数需要读取声纹文件，所以我们需要将声纹文件上传至网盘或其他可下载的公共空间，并获取文件下载的 URL，配置到语音模型的 voice_url 参数即可。

推荐您在 Gitee 创建或选择一个公开的仓库，将 .pt 文件上传至仓库中。在 Gitee 仓库中找到上传的文件，点击文件名称进入下载，鼠标右击下载并复制下载地址，如下所示：

步骤3：在模型参数中粘贴地址

根据您生成的 pt 文件类型，选择 CosyVoice-300M、ChatTTS、fish-speech-1.2-sft ，粘贴声纹文件下载地址到 voice_url 参数，输入文字并运行。即可生成和声纹音色一致的声音。

您可以制作个人或特定声音的声纹文件 URL，体验不同模型生成效果，将模型 API 集成到您的业务中，实现多种有趣又有用的应用。