跳转到主要内容
语音克隆让您可以使用一段简短的参考音频样本提供的声音来生成语音。借助 tts-chatterbox-hd,您可以将样本上传至 /audio/voices,保存返回的 vv_... 语音句柄,然后将该句柄传给 /audio/speech
语音句柄是与模型绑定的。使用 tts-chatterbox-hd 创建的句柄必须与 tts-chatterbox-hd 一起使用。

工作原理

  1. 上传 —— 将干净的参考音频文件发送至 POST /audio/voices
  2. 保存 —— 存储返回的 id 语音句柄
  3. 生成 —— 在 POST /audio/speech 中将该句柄作为 voice 发送

前置条件

  • 一个 Venice API 密钥
  • 一个 MP3、WAV、FLAC 或 M4A 格式的干净参考样本
  • 至少 5 至 10 秒来自同一位讲话者的清晰语音
设置您的 API 密钥:

步骤 1:上传语音样本

通过将参考音频作为 multipart form data 上传来创建语音句柄:
响应 (200):
保存 id 以用于语音生成:

步骤 2:生成语音

在语音请求中将克隆的语音句柄作为 voice 传入:
响应主体为所请求格式的二进制音频。

完整示例

此示例上传一段参考样本,使用 jq 提取语音句柄,并将生成的音频写入 chatterbox-clone.mp3

语音样本建议

使用单人讲话、背景噪声最小且无音乐的样本。自然语音的效果优于耳语、歌唱或经过大量处理的音频。 当声音具有独特的节奏、口音或语调时,更长的样本可能有所帮助,但请确保样本始终聚焦于目标讲话者。

句柄过期

Chatterbox HD 克隆是零样本的:Venice 会临时存储上传的参考音频,模型会在您合成语音时读取它。系统不会创建持久化的声音模板。 语音句柄会在 7 天后自动过期。句柄过期后,请再次上传参考样本以创建新的 vv_... 句柄。

发现克隆支持

支持克隆的模型在模型规格中包含 voice_cloning 对象。查询 TTS 模型以检查支持的格式、最小样本时长和保留期:
tts-chatterbox-hd 声明:

API 参数

创建语音

生成语音

常见错误