#TTS（声音克隆）模型 Playground 使用手册

TTS Playground 是 Herdsman 为语音合成模型（如 Qwen3-TTS）提供的专用测试界面。现以 声音克隆（Voice Clone） 功能进行介绍，允许用户提供一段参考音频，让模型模仿该音频的音色来朗读新的文本。

#启动 TTS 模型

1. 进入 模型中心 界面
2. 在模型列表中寻找带有 TTS 或 语音合成 标签的模型（如 Qwen3-TTS 声音克隆）
3. 点击模型卡片上的 立即启动 按钮
4. 待模型状态变为 就绪 后，点击卡片进入 Playground 界面

#界面功能详解

TTS Playground 界面分为左侧参数区、中间脚本区和右侧监控区。

#参数设置（左侧边栏）

• 基础设置：
  • 语言：下拉选择（如 自动），指定合成文本的语言类型
  • 语速：滑动条控制（默认值为 1），向右滑动加快，向左减慢
• 高级设置：
  • 输出模式：
    • 非流式（截图选中）：等待全部音频生成完毕后一次性播放，适合短文本
    • 流式/实时：边生成边播放，延迟更低（具体取决于模型能力）
• 声音（克隆核心）：
  • 参考音频：输入想要模仿的声音来源，支持 本地文件路径、网络 URL 或 Base64 编码
  • 参考文本：输入参考音频中对应的文字内容。提供准确的参考文本能显著提高克隆的准确度。

#脚本工作台（中间主区域）

• 文本输入：
  • 在上方文本框输入您希望模型朗读的内容
  • 示例："你好呀，今天过得怎么样？Welcome to Herdsman voice playground."
  • 支持中英文混合输入及标点符号停顿
• 功能标签：右上角提供 中文、英文、情绪 标签，用于快速切换输入提示或调整合成风格
• 结果展示：
  • 字幕/波形区：生成后的字幕会显示在此处
  • 音频播放器：底部提供标准的播放控件（播放/暂停、进度条、音量）
• 控制按钮：
  • 生成：点击开始合成语音
  • 停止：中断当前的生成任务

#运行状态监控（右侧边栏）

• 运行状态：
  • TTFA / RTF：首字响应时间与实时率
  • 延迟 / 分块：生成延迟及数据块大小
  • 硬件占用：CPU、GPU、内存实时监控
• 运行日志：
  • 显示模型加载状态（Selected qwen3-tts-voiceclone）及音频能力初始化信息

#快速操作流程（声音克隆模式）

1. 准备素材：
   • 准备一段清晰的 参考音频（5-10 秒为宜）
   • 准备好录音对应的 参考文本（录音里具体说了什么字）
2. 设置克隆参数：
   • 在左侧 声音 栏的 参考音频 框中填入音频路径或 URL
   • 在 参考文本 框中填入对应的文字
3. 编写脚本 — 在中间 脚本工作台 输入您想让他说的话
4. 调整参数 — 根据需要调整 语速（如设为 1.2 倍速）
5. 生成与试听：
   • 点击左下角 生成 按钮
   • 等待生成完成后，使用底部播放器试听效果。如果音色不像，请检查参考音频是否清晰，或尝试更换参考文本

---

注意：

• 参考文本的重要性：如果是做声音克隆，务必准确填写参考文本。如果参考文本和参考音频对不上，模型可能无法正确学习音色。
• 格式支持：参考音频通常支持 WAV、MP3 等常见格式，具体取决于模型后端支持。