工具
工具页：用 CosyVoice 把录音换成另一个音色，用 F5-TTS 替换录音中的部分词句。
工具 页有两个标签页：音色转换 和 语音编辑。两者都以一段已有的录音为输入，结果和合成结果一样出现在页面下方的 结果 中（也出现在历史中），菜单操作相同。
音色转换
用另一个音色说出录音里的话，保留原话和节奏。 需要支持音色转换的模型：CosyVoice（300M、300M SFT、2、3）。
- 在 模型 中选择一个 CosyVoice 模型。选择器只列出支持音色转换的模型；还没准备好时，底部按钮会先提供它还缺的步骤，例如下载（见合成）。
- 在 录音 中添加要转换的音频：拖放、选择文件、录音、服务器文件 或 之前的结果。
- 在 目标音色 中选择：
- 音色库：音色库中的一个音色，使用它的参考音频作为目标声音；
- 一段音频：直接提供一段目标声音的音频。
- 点底部的 转换。
命令行：
mizuoto convert speech.wav -m cosyvoice/cosyvoice2-0.5b --voice narrator -o converted.wav
mizuoto convert speech.wav -m cosyvoice/cosyvoice2-0.5b --ref target.wav -o converted.wav语音编辑
用同一音色把录音中的部分内容替换成新的词句。 需要支持语音编辑的模型：F5-TTS（v1 Base、Base、E2-TTS）。
-
在 模型 中选择一个 F5-TTS 模型。
-
在 录音 中添加要编辑的音频。
-
在 修改 中填写 编辑后的完整文本：整段录音在修改之后应该说的全部内容。最方便的做法是先点 识别文本 转写录音，再改动要替换的词句。模型读的是这段文本。
-
标出每一处要替换的部分：
- 起点（秒） 和 终点（秒）：被替换的语音在录音中的位置；
- 新的词句：这一处的新内容（作为记录；模型依据的是上面的完整文本）；
- 时长（秒）：新语音的长度，留空（自动）则与原来的片段等长。
添加一处修改 增加一行，行尾的按钮删除一行。只有填了起点和终点、且终点大于起点的行才会提交。
-
点底部的 编辑。
缺少内容时底部会提示：请添加录音、请填写编辑后的文本、请标出要替换的部分：起点和终点，单位为秒。
命令行（--span 可重复，格式为 起点:终点[:时长]，单位为秒）：
mizuoto edit speech.wav -m f5tts/v1-base -t "编辑后的完整文本。" --span 1.2:1.8 -o edited.wav
mizuoto edit speech.wav -m f5tts/v1-base -t "编辑后的完整文本。" --span 1.2:1.8:0.9 --span 4.0:4.5