我把 AI 声音越调越坏,最后留下三条生产线

为了给风神播客找一对能长期用的男女主播，我先后走过腾讯云、Microsoft Edge、macOS 系统音色、VoxCPM2、CosyVoice、Qwen3-TTS、LuxTTS 等至少 7 条路线。

其中有一轮，我先做了 48 段原始声音，再筛成 7 组男女声。后来做一段正式双人稿，又生成了 32 个候选。机器第一轮就找出 3 处同音字歧义，我们没有把错字剪掉假装成功，而是保留失败稿、改写原句、整段重来。

VoxCPM2 的声音设计很有想象力，可长段里出现过撕裂、英文残片、背景音乐、无声和数字丢失。Qwen3-TTS 上限高，但如果参考声音、参考文字、随机种子和分段方式没有固定，同一个主播今天像这个人，明天又像另一个人。

这些失败让我慢慢放下“再找一个神模型”的念头。

真正该解决的，不是榜单上谁第一，而是三件小事：这是谁在说，能不能一直像同一个人，这条内容值不值得花时间慢慢做。

女主播叫宁宁，男主播叫明明。

这两个名字不是我训练出来的新模型，也不代表克隆了某个真人。它们只是风神播客里的角色名。背后真正决定声音身份的，是经过授权的参考声音、逐字匹配的参考文字、模型版本、参数、随机种子和分段规则。

我后来把两件事彻底分开：先选演员，再让演员念稿。

提示词主要管“这句话怎么说”；声音锚点负责“是谁在说”。演员选中以后，就把身份冻结下来。长稿按语义切成短段，漏字、换人、撕裂或异响时，失败段整段重来，不在一个词上剪剪补补。

还有一条最重要：机器分数只负责帮我筛，人耳保留最后的否决权。

机器可以告诉我有没有漏字、声纹像不像、响度齐不齐；但它不知道我听到第 20 分钟会不会累，也不知道一句话末尾那一点别扭，会不会让人忽然出戏。

第一版提示词确实帮 WorkBuddy 跑通了很多东西。它在 Apple M3 Max 上建了 Python 3.12 隔离环境，装好 Edge 和 MLX，也把 Qwen3-TTS 0.6B BF16 模型下载完整。镜像下载遇到 Xet / CAS 401 Unauthorized，它禁用 Xet 后断点续传；ffmpeg 强制使用 soxr 失败，它保留 0 字节现场，换回默认 swr 重跑。

最后 MP3 能完整解码，没有削波、坏帧或 NaN。manifest 里还写着 all_checks_passed=true。

问题是，声音严重走样。

复查后发现，原因不在 MP3，而在更前面。脚本把 Qwen 的预置演员 Serena / Uncle_Fu 改名成宁宁 / 明明，还没有固定 seed。相同两句问候连续生成四轮，总时长从 8.06 秒漂到 10.62 秒。其中一条女声源音频只有约 -30.5 LUFS，后面又用单遍动态 loudnorm 强行抬高。

这件事给我的教训很直接：能下载、能跑、能解码，都不等于声音对了。如果身份源一开始就错了，调 instruct、换 seed、拉响度，只是让错的人换一种说法。

我们把提示词改成了两条明确的路。

没有授权声音锚点时，最终问候固定用 Edge 晓晓 / 云希。本地 Qwen 照样安装，但 Serena / Uncle_Fu 只进 diagnostics/，用来检查模型能不能跑、同 seed 能不能复现。只有用户自己放入两条有权使用的参考 WAV、逐字稿和授权确认文件，才进入 Qwen 1.7B Base 克隆。

这次 WorkBuddy 没有覆盖旧目录，而是新建了一套工作区。它发现系统 Python 已是 3.13，于是主动选了 Python 3.12。模型缓存里已有 2.3 GB 快照，就直接用本地 snapshot 路径加载，没有再下一遍。

它还在现场抓到两个很细的坑：Qwen 音色表是小写名，脚本的存在性检查必须忽略大小写；ffmpeg alimiter 的自动增益默认开启，会把计算好的静态增益抵消，所以必须显式写 level=false。这两条也已反写进母提示词。

然后它完整跑了两遍。两份最终 MP3 都是 8.58 秒、48 kHz、单声道，响度 -20.4 LUFS，真峰值 -2.3 dBTP，SHA-256 完全一样。宁宁、明明从源 WAV 到成品的相关性分别是 0.999999 和 0.999881，14 项机器检查全部通过。Qwen 能力样音在两个独立进程里也得到了相同 PCM 哈希。

这一次可以说机器管线跑通了。好不好听，仍然要人自己听。

在这台 Mac 上，新建 .venv 约 530 MB，Qwen 0.6B BF16 缓存约 2.3 GB。新提示词会先看内存和磁盘；本地模型不合适或连续失败两次，保留证据后仍然用 Edge 交付最终问候。不让读者下载了几个 GB，最后只得到一句“环境已配好”。

边界也要写清：这次实机验证的是 macOS Apple Silicon + WorkBuddy v5.3.8。Windows、Linux 和 NVIDIA 已写入兼容分流，但还没有在这轮做同等实机验收。

最后，宁宁和明明没有只留下一个版本，而是分成了三档。对日常新闻和普通播客，我更愿意先把这些免费路线用熟。免费不等于没有成本：Edge 要联网，本地模型会占磁盘、内存和电费，开源许可证也要自己看。但只要长期更新，这些投入通常比每条音频都调用付费 API 更踏实。

A 快速免费版：Edge 晓晓 / 云希。

它最快，也最容易上手。很适合快讯、草稿、临时预听和一次性内容。需要说清的是：edge-tts 命令虽然跑在自己的电脑上，声音仍由 Microsoft 在线服务合成。它不是离线本地模型，社区客户端也不等于官方生产服务。

复制提示词 A｜换一台电脑复现 Edge 版

把下面整段交给 Codex、WorkBuddy 或其他能操作电脑的编码 AI：

【任务】在这台新电脑上搭好“宁宁 / 明明 Edge 快速版”，并真实生成问候音频。不要只写教程，直接执行到交付。1. 先检测操作系统、CPU 架构、可用的 Python 3.10—3.12、ffmpeg、网络和剩余磁盘；把结果写进 environment-report.txt。不要污染系统 Python，在当前文件夹新建 ningning-mingming-edge 和独立虚拟环境。macOS/Linux 生成 run.sh，macOS 另生成 run.command；Windows 生成 run.ps1。2. 按 https://github.com/rany2/edge-tts 的当前说明安装 edge-tts。安装后必须实际运行 Python 导入、edge-tts --version 和 edge-tts --list-voices；命令存在但包不能导入不算成功。确认 zh-CN-XiaoxiaoNeural 与 zh-CN-YunxiNeural 仍在音色表中。3. 宁宁固定使用 zh-CN-XiaoxiaoNeural，说：“你好，我是宁宁。小龙哥欢迎你。”明明固定使用 zh-CN-YunxiNeural，说：“我是明明。愿你也做出属于自己的好声音。”速率、音量、音高先保持 0，不加背景音乐、降噪、混响或变声。4. 两句分别落盘，中间加入 300 毫秒静音，再用 ffmpeg 合成 48 kHz、单声道、192 kbps MP3，文件名固定为 小龙哥_宁宁明明_Edge问候.mp3。不得裁掉句首、句尾或靠切词修错音。5. 用 ffprobe 和完整解码检查采样率、声道、时长、坏帧、削波与空文件。再从新运行目录完整跑第二遍。Edge 是在线服务，两遍哈希不同可以记录为提示，不能静默覆盖第一遍。6. 交付最终 MP3、两条源音频、generate_edge_duo.py、启动脚本、README.md、manifest.json 和 logs/。README 要写清：这条路线无需 API Key，但依赖 Microsoft 在线服务，社区客户端不代表官方 SLA。7. 只有音频真实生成并通过机器检查，才回复“完成”。若在线服务不可达，保留报错和现场，说明卡在哪一步；不要偷偷换模型，更不要拿一条旧音频冒充本次结果。

B 免费本地版：LuxTTS 02 宁宁 / 明明。

这是我目前觉得很适合日常播客的一档。它能在 Apple Silicon 上本地跑，克隆快，资源占用比高配低不少。代价是参考声音必须干净，随机候选仍要筛，不能一键生成后闭眼交稿。

复制提示词 B｜换一台电脑复现 LuxTTS 版

【任务】在这台新电脑上搭好“宁宁 / 明明 LuxTTS 本地版”，并用用户有权使用的参考声生成问候音频。不要只给命令，要执行、排错、复跑和验收。1. 在当前文件夹新建 ningning-mingming-luxtts，先检测系统、CPU、Apple MPS / NVIDIA CUDA / CPU 回退、Python 3.10—3.12、ffmpeg、内存和磁盘。优先 Python 3.12，至少预留 6 GB；不要硬用 Python 3.13，不要改系统 Python。2. 需要用户先放入 refs/ningning.wav 与 refs/mingming.wav。两段应是本人声音或明确获授权的声音，单人、无音乐、无混响，建议 10—14 秒。若文件或授权说明缺失，写清缺什么并停止；禁止把模型预置音色改名成宁宁、明明，也禁止下载陌生真人声音代替。3. 克隆 https://github.com/ysharma3501/LuxTTS.git，并固定到本次已验证提交 28ae6a61151684fffc9d1a7aa15eafa02286fe0b。创建独立虚拟环境，安装 requirements.txt，实际导入 torch、soundfile 与 zipvoice.luxvoice。模型使用 YatharthS/LuxTTS；先查本机 Hugging Face 缓存，没有完整快照才下载。4. Apple Silicon 用 mps，NVIDIA 用 cuda，其余才用 cpu。两位主播分别 encode_prompt，固定 duration=14.0、rms=0.01；生成固定 num_steps=4、guidance_scale=3.0、t_shift=0.9、speed=0.92、return_smooth=False，并为两位主播设置公开且固定的 seed。宁宁、明明仍念 Edge 版同样两句问候。5. 每位主播至少生成两条候选，源 WAV 原样保留。只允许必要的静态增益，增益不超过 6 dB；limiter 必须显式关闭自动增益 level=false。不要默认上动态 loudnorm，不做降噪、EQ、混响、变速或裁词。两句中间留 300 毫秒，合成 48 kHz 单声道 MP3，文件名为 小龙哥_宁宁明明_LuxTTS问候.mp3。6. 用 ffprobe 完整解码，并检查空文件、NaN / Inf、削波、句首句尾、时长和两次运行记录。分别记录仓库提交、模型快照、依赖版本、设备、参数、seed、耗时与 SHA-256。7. 交付最终 MP3、两条入选源 WAV、全部候选、generate_luxtts_duo.py、启动脚本、README.md、manifest.json 和 logs/。机器通过后仍标注“人耳待听”。LuxTTS 跑不通时不要退回 Edge 后假装这是中配版。

C 免费本地高配版：Qwen3-TTS 宁宁 / 明明。

它更吃机器，也多几道生产步骤，但人物感、双语和身份冻结的空间更大。我把它留给正式节目、长期收藏和真正值得慢慢磨的内容。

复制提示词 C｜换一台电脑复现 Qwen3-TTS 版

【任务】在这台新电脑上搭好“宁宁 / 明明 Qwen3-TTS 1.7B Base 本地版”，用用户自己的授权参考声生成两句问候。必须生成真实音频和复现证据，不能用预置演员冒充。1. 在当前文件夹新建 ningning-mingming-qwen3。先检测系统、CPU、Apple Silicon / NVIDIA CUDA、Python、ffmpeg、内存和磁盘，并写 environment-report.txt。建议至少 24 GB 内存、12 GB 可用磁盘；使用独立 Python 3.12 环境，不改系统环境。2. 用户必须提供 refs/ningning.wav、refs/ningning.txt、refs/mingming.wav、refs/mingming.txt 和 refs/AUTHORIZED.txt。两份 txt 必须与对应音频逐字一致。授权文件或任一锚点缺失就停止，绝不能把 Serena、Uncle_Fu 等预置演员改名为宁宁、明明。3. Apple Silicon 走 MLX：安装并实测 mlx、mlx-audio、numpy、soundfile，模型用 mlx-community/Qwen3-TTS-12Hz-1.7B-Base-bf16；先找完整缓存，没有才下载。NVIDIA 走 Qwen 官方 https://github.com/QwenLM/Qwen3-TTS 和 qwen-tts，模型用 Qwen/Qwen3-TTS-12Hz-1.7B-Base。不要在不兼容的机器上静默换成云 API。4. 根据官方 Base voice clone 接口编写 generate_qwen3_duo.py。宁宁和明明分别使用自己的 ref_audio 与逐字 ref_text；固定公开 seed 2026080201 / 2026080202，temperature=0.9、top_p=1.0、top_k=50、repetition_penalty=1.5。目标文字仍为前两档的同样两句问候。5. 两位主播分别生成源 WAV，中间留 300 毫秒，输出 48 kHz 单声道 192 kbps MP3，文件名为 小龙哥_宁宁明明_Qwen3问候.mp3。保留原生生成，不做降噪、混响、变速和裁词；只允许不超过 6 dB 的静态增益，limiter 设置 level=false。6. 用两个独立进程完整跑两遍。记录模型 ID / 本地 snapshot、包版本、设备、seed、参数、峰值内存、耗时、PCM 与成品 SHA-256。哈希不同就标成“未完全复现”，保留两份，不得覆盖；同时检查完整解码、NaN / Inf、削波、句首句尾和声纹是否突然换人。7. 交付最终 MP3、两条入选源 WAV、第二轮成品、generate_qwen3_duo.py、启动脚本、README.md、manifest.json 和 logs/。机器不满足 1.7B 时，准确报告阻塞，并单独建议 0.6B Base；没有得到用户同意，不能降级后仍说高配复现成功。

为了尽量公平，三档都念了同一份中英混合男女对话稿，统一成 48 kHz 单声道、约 -18 LUFS，没有给某个模型偷偷换简单稿，也没有用更大声音冒充更好听。

在我当时那台 Mac 和那条生产链上：A 成品 71.060 秒，纯合成 15.077 秒；B 成品 68.967 秒，32 个候选共 25.817 秒，本机 MPS 约 1.4 GB；C 成品 63.980 秒，纯合成 38.006 秒，Metal 峰值约 10.7 GB。

这些只是一次真实样本，不是所有电脑都能复现的跑分，更不是任何服务的速度承诺。

播新闻、做日更、先听一遍稿子，真的没必要一开始就按字符付费。Edge 负责快，LuxTTS 负责日常本地生产，Qwen3-TTS 留给更讲究的正式内容。先把这三条免费生产线跑顺，已经能覆盖我大部分需求。

真要追求更高的自然度、情绪控制和稳定服务，又不想自己维护模型，我目前会直接从三家开始听：豆包 / 火山引擎、阿里千问、腾讯云。省心一点的办法，是拿同一段稿去三家试听，哪一家最像你要的节目，就用哪一家。这里没有永远的冠军，模型还在天天变。

阿里的 qwen-audio-3.0-tts-flash 是其中一条云端付费路线。它不用自己装模型，接 API 就能用；价格、免费额度、地域、音色和许可则以使用当天的控制台为准。

而我三档里的高配，是本地开源的 Qwen3-TTS 路线。一个是云 API，一个是本地模型；名字相近，部署方式、成本和控制权并不一样。

想先听再决定，下面一节放了能直接复制的完整地址。想在本地研究开源模型，则看 Qwen3-TTS 官方仓库：https://github.com/QwenLM/Qwen3-TTS。

如果不想折腾本地环境，豆包、阿里千问和腾讯现在都能做出不错的效果。腾讯的音色清单里有一批“超自然大模型音色”；豆包 / 火山引擎同时提供语音合成、声音复刻和大小模型路线。

除此之外，MiniMax Audio、ElevenLabs 和 Fish Audio 也很值得拿同一段稿子试一遍。它们擅长的语言、情绪、长文本、多人对话和速度各不相同，我不想只凭一两个演示就替大家宣布谁最好。

1. 固定一份含中文、English、数字和专有名词的同稿。
2. 先确认“谁在说”，不把预置音色改名成自己的主播。
3. 一次只改一个变量，模型、锚点、ref text、参数和 seed 全部记录。
4. 同一设置至少重跑两次。本地采样检查 PCM 哈希，最终链检查成品哈希和源到成品相关性。
5. 响度先测后调，只做必要的静态增益，不让动态后处理把“更响”冒充“更自然”。
6. 长稿按语义短段生成；错了整段重来，不裁词拼字。
7. 机器检查完整性和一致性，人耳决定自然度与长听意愿。

还有最后一个选择题：这条内容能活多久？

明天就过期的快讯，用 Edge 迅速出声；日常更新，交给资源更轻的 LuxTTS；值得反复听的正式内容，再让 Qwen3-TTS 慢慢磨。收费 API 放在最后：需要免部署、低延迟、特殊音色，或者就是要追求当下更高的完成度时，再去豆包、阿里千问和腾讯里用同稿试听。

这不是永远正确的答案，只是我走过一轮弯路以后，暂时最顺手的分工。

以前我给的是“模型名 + 安装说明”。这对熟手够用，对第一次碰语音模型的人还是太松：Python 版本不对、edge-tts 命令还在但包已经坏了、模型下载一半中断，任何一处都可能把人卡在“差最后一步”。所以这次先把三条独立复现提示词，分别放到了三档配置下面。

所以这次我把它改成了一份可以直接交给 Codex、WorkBuddy 或其他编码 AI 的施工单。前面三步是读者要做的事，交给 AI 以后，还有几条不能商量的完结线：

1. 先实测包能不能导入、能不能合成，不拿“命令存在”当成功。
2. 先找本机模型缓存，确实没有才下载；空间不足时不让几个 GB 的模型拖死最终交付。
3. 先分清“谁在说”。Edge 公开音色负责公开问候，Qwen 预置演员只做诊断，只有授权锚点齐全才做 Base 克隆。
4. 固定 seed，独立跑两遍；本地能力样音比 PCM 哈希，最终问候比成品哈希。
5. 响度只做不超过 6 dB 的静态增益，关闭 limiter 的自动归一化；当前 ffmpeg 没有 soxr 时就用默认 swr。
6. 最后交付 MP3、两条源音频、README、manifest、日志和可重复运行脚本。少一项，都不能只回一句“完成”。

完结问候也固定好了。宁宁先说：“你好，我是宁宁。小龙哥欢迎你。”明明接着说：“我是明明。愿你也做出属于自己的好声音。”两段源音频真实落盘，中间留 300 毫秒，再合成 48 kHz 单声道 MP3。manifest 逐项记录 14 道检查；第一轮全过后，还要用快速模式再跑一轮。两份哈希不同不一定代表云端服务坏了，但必须把两份都留下，不能静默覆盖。

这里也要把话说窄：公开开箱版的宁宁、明明成品使用 Edge 公开音色；Qwen3-TTS 内置的 Serena / Uncle_Fu 只是本地能力样音，不是小龙哥培养出来的宁宁 02 / 明明 09。给大家的是同一套角色设定、身份边界和可复现流程，不是把小龙哥私有制作链里的中配、高配声音锚点公开出去，更不能宣称声纹一模一样。

快到我把这篇文章发出去，可能又会有新的模型和工具出现。今天写下来的，只是我此刻走过的路。小龙哥还在摸索，也随时准备推翻自己。

照着三段提示词跑时遇到问题，也欢迎丢到评论区。最好带上操作系统、显卡或内存、卡住的步骤，以及报错最后几十行；这样大家更容易一起找到原因。

如果你发现了更好的免费模型、更省事的安装办法，或者觉得哪一条验收规则该改，也欢迎写在评论区指点小龙哥。能附上同一段测试稿、生成设置和试听样本，就更有用了。

大家把真实样本放在一起，比争一张“谁最好”的榜单有意思得多。

小龙哥 Mac 哲学，是我第一个完成度还算比较高、也真正敢拿出来给大家用的产品。欢迎大家试试，哪里不好用，也请直接告诉我。

下一期，我想把国外的 Codex、Claude Code，国内的 WorkBuddy、千问办公，以及 Marvis 等工具放到一张桌上。它们并不是同一种东西，却经常被放在一起问：普通人到底该怎么选？

我不照着参数表念，也不替任何一家站台。小龙哥会从自己的实际使用出发，看看每一款真正擅长什么、什么人用着更顺手。踩过的坑，也不藏着。

明天继续。