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
- 上传 —— 将干净的参考音频文件发送至
POST /audio/voices - 保存 —— 存储返回的
id语音句柄 - 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
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: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:
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: