合成

合成 页把文本变成语音。页面从上到下依次是 模型、音色、文本、风格（模型支持时）、参数 和 结果；合成 按钮固定在页面底部。各部分只显示所选模型支持的选项，换模型后界面会随之变化。

模型复制锚点链接

点 模型 打开选择器，可以搜索。列表包含所有语音合成引擎的全部模型（包括还没安装的），每项显示引擎、变体、大小和所需显存，并用标记说明还缺什么：演示（演示引擎）、不可用（引擎还缺需要安装的内容）、许可（需要接受许可）、模型状态（如 未下载）、推荐。

模型下方的标签列出它的能力，例如 克隆音色、预置说话人、指令、流式输出、长文本。

第一次打开时，界面选择 设置 › 语音 › 默认模型；没有设置时选第一个已就绪的模型。之后记住你上次的选择。

模型还没准备好时复制锚点链接

没准备好的模型也可以选。此时底部的 合成 按钮会换成它缺少的第一步，点一下就开始，并显示进度：

都完成后 合成 按钮回来。

音色复制锚点链接

模型取得音色的方式不同，音色 部分会列出它支持的几种：

换模型后，界面会自动选一个合适的方式：如果之前选的音色库音色适合新模型就保留它，否则依次尝试预置说话人、描述、一段音频。

音色库复制锚点链接

选择器中每个音色都带有标记，说明这个模型能否、以何种方式使用它：克隆、克隆（无文本）、预置说话人、设计 等；需要额外处理时另有 先识别文本（参考音频缺少文本，合成前先转写）或 裁剪以适配（音频太长，会被截短）。不能使用的音色显示为灰色并附带原因。音色库为空时可以点 新建音色。

一段音频复制锚点链接

1. 把音频拖到 将音频文件拖放到这里，或点击选择文件（WAV、FLAC、MP3、M4A、OGG 等）。也可以：
   • 点 录音 用麦克风录一段，录音时显示 输入电平，提示 参考音频以 3 到 30 秒的清晰语音为佳；点 停止并添加 或 放弃。浏览器只在 HTTPS 或本机（localhost）上允许使用麦克风。
   • 点 服务器文件 选择服务器上的文件（只在服务器本机的浏览器中可用）。
   • 点 之前的结果 选择一个合成结果。
2. 在 音频中说的内容 中填写音频的文本。可以点 识别文本 让语音识别现在就填好，再自己修改。

参考文本与语音识别复制锚点链接

多数模型克隆时需要参考音频的文本。文本留空时：

• 设置 › 语音 › 自动识别没有文本的参考音频 打开、且已安装语音识别：Mizuoto 先查转写缓存，没有就在合成任务中先转写（计划中显示 先识别文本）。音色库音色的转写结果会保存回音色。
• 没有语音识别：模型支持无文本克隆时按 克隆（无文本） 处理；否则报错，并提示如何安装语音识别。

参考音频超出模型允许的时长时，按 设置 › 语音 › 参考音频对模型来说过长时 处理：默认 裁剪以适配（在限制之前最安静的位置截断，原文本随之作废），也可以改为 拒绝。

文本复制锚点链接

• 文本 框最多 20000 个字符。在框中按 Ctrl+Enter 直接合成。
• 语言：自动识别，或模型支持的某种语言。
• 每行一个结果：支持批量的模型（Qwen3-TTS、GPT-SoVITS、OmniVoice）才有这个开关；打开后每行文本各生成一个结果。
• 停止输入片刻后，文本框下方会显示 Mizuoto 将如何切分长文本（N 段，每段一个标签）；如果模型自己处理长文本，则显示 引擎会自行切分长文本。段与段之间的停顿由参数 段间停顿（毫秒） 决定。

风格复制锚点链接

模型支持指令或情感时才显示。

• 怎么说：一句风格指令，例如“开心地，稍快一些”（Qwen3-TTS 1.7B CustomVoice、CosyVoice 2 和 3、CosyVoice 300M Instruct）。
• 情感（IndexTTS-2 和 2.5）有三种给法，按模型支持的显示：
  • 情感权重：每种情感一个 0–1 的滑块（高兴、愤怒、悲伤、恐惧、厌恶、忧郁、惊讶、平静）。
  • 来自音频：一段 情感参考音频，只借用它的情感，不借用它的音色；强度 0–2。
  • 文字描述：在 描述情感 中用文字写出来。

参数复制锚点链接

参数 部分只列出这个模型接受的参数；不动的参数不会发送，由引擎使用自己的默认值。引擎特有的选项收在 引擎选项 中。

• 种子：留空表示 每次使用新的种子；填一个数则 保持这个种子，同样的输入会得到同样的结果。骰子按钮 随机一个种子，解锁按钮回到每次新种子。
• 输出：格式（WAV、FLAC、MP3、OGG、M4A）、采样率（模型原生，或 16–48 kHz）和 音量均衡（峰值、响度、不处理）。默认值来自 设置 › 语音。

预设复制锚点链接

点 预设 打开菜单：

• 列表中的预设点一下即应用（标有 默认 或 所有模型）。
• 另存为预设…：填 预设名称；勾选 仅用于 模型名 则保存全部参数，否则只保存通用参数，适用于所有模型（含有引擎选项的预设只能用于当前模型）。勾选 选中此模型时自动应用 则设为该模型的默认预设。
• 管理预设…：设为默认、取消默认、删除。

选中一个模型时，界面自动应用它的默认预设；所选音色有自己的默认预设时优先用音色的。

计划、合成与流式播放复制锚点链接

• 计划：不真正合成，只显示 将要执行的操作：模型、音色方式、语言、设备、分段数、发送的参数、每段参考音频（以及是否 先识别文本）和 提示。参数不合适时在这里就会报错。
• 合成：提交一个合成任务。任务卡片显示在页面底部，完成后结果出现在 结果 中。有多个任务时，它们收成一行 … 个任务，显示运行中和排队的数量（… 个运行中 · … 个排队）、总体进度和一个全部取消的按钮；展开后在可滚动的列表中显示每个任务的卡片。默认跨所有引擎和设备一次只运行一个合成任务，其余任务按顺序排队，显示 等待其他合成任务（设置 › 计算 › 同时运行的合成任务）。
• 流式：打开这个开关（位于 计划 和 合成 旁）后，合成 会边生成边播放。悬停可以看到当前模型的方式：CosyVoice 在首批词语生成后即开始播放；其他引擎每句生成好就播放；或由 Mizuoto 拆分文本，每段生成好就播放。播放条显示 已播放 … · 已就绪 …，可以 停止。模型跟不上时播放会暂停等待，不会丢掉语音；完整的结果照样保存在 结果 中。

结果复制锚点链接

结果 列出本次在合成页生成的语音。每条显示文本、时长、波形（点击跳转）、模型、耗时、实时率（RTF）和种子，以及警告和许可声明。右侧菜单：

结果多于一条时，全部下载 打包下载。

命令行复制锚点链接

mizuoto speak "你好。" -m qwen3tts/1.7b-base --voice narrator -o hello.wav
mizuoto speak "你好。" -m qwen3tts/1.7b-base --ref me.wav --ref-text "参考音频的文本" -o me.wav
mizuoto speak "你好。" -m qwen3tts/1.7b-custom-voice --preset vivian --instruct "开心地说" --plan
mizuoto speak "边生成边播放。" -m cosyvoice/cosyvoice2-0.5b --voice narrator --stream | ffplay -nodisp -
mizuoto speak "今天真开心！" -m indextts/v2 --ref me.wav --emotion happy=0.8
mizuoto preset save Calm -m cosyvoice/cosyvoice2-0.5b -p speed=0.9 --default

mizuoto speak --help 列出所有选项（--describe、--attr、--emotion-audio、--batch、--use-preset 等），完整参考见命令参考。