🎤 声音克隆 — 修复前后对比

引擎: CosyVoice3-0.5B-2512 zero-shot cloning
修复: tts.py 传 reference_audio 时 prompt_text 不再硬编码为空，改为接受调用方传入
测试文本: "深夜的办公室里只剩下键盘的敲击声，变色龙小明盯着屏幕上不断跳动的KPI数字..."
日期: 2026-07-06

第一部：修复前 — 对照组

A. 修复前：zero_shot 克隆静音 BUG

reference_audio=zero_shot_prompt.wav, prompt_text=空(EOP) → 模型困惑 → 静音

dur=0.08s vol=-90.3dB ❌

B. 修复前：默认音色（机器音来源）机器音

无 reference_audio → CosyVoice 内置默认 prompt

dur=6.48s vol=-23.7dB

第二部：修复后 — 声音克隆成功 ✅

C. 修复后：zero_shot 克隆（女声）修复成功

reference_audio=zero_shot_prompt.wav + prompt_text="希望你以后能够做的比我还好呦"

注意听音色差异 — 这段使用了 CosyVoice 自带女声样本的音色克隆，不再是默认机器音

dur=11.32s vol=-22.0dB ✅ 真实音频

D. 修复后：cross_lingual 克隆修复成功

reference_audio=cross_lingual_prompt.wav（另一个音色样本）

不同参考音频 → 不同音色

dur=10.88s vol=-19.7dB ✅ 真实音频

第三部：不同引擎（非克隆，对照）

E. Chatterbox 英文正常

tts_en → chatterbox-turbo

dur=6.08s vol=-24.2dB

F. 中英混合（默认音色）正常

tts_bilingual → cosyvoice (默认)

dur=4.56s vol=-19.7dB

总结

✅ 声音克隆功能已修复并可用。

对比 A vs C： 同一段文本，同一个参考音频 — A 是修复前的静音（prompt_text 缺失），C 是修复后的真实克隆音频（11.32s，清晰语音）。

对比 B vs C： B 是默认机器音，C 是克隆了女声音色。差异明显。

下一步：给一段你想要的目标人声录音（5-10s 干净单人，附转录文本），就能让管线用这个音色生成所有旁白和对白。