EmotiVoice：写下情绪，语音便能表达
大多数“情感化”TTS 模型只提供一小组固定的情绪标签供你选择。由网易有道开源的 EmotiVoice 采用了更灵活的方式：像指导配音演员一样，在风格提示词中描述你想要的情绪，模型便会据此演绎。以提示词驱动、而非受限于一组固定开关，正是这个模型最鲜明的特点；它以中英双语能力为基础，并拥有真正庞大的音色库可供选择。
什么是 EmotiVoice？
EmotiVoice 是网易有道于 2023 年 11 月发布的开源文本转语音引擎，采用 Apache 2.0 许可证。它是一个基于 Transformer 的系统，直接受到 PromptTTS 研究方法的启发，并使用 LibriTTS 和 Hi-Fi TTS 数据集训练。该项目明确将自身定位为多音色、提示词可控的引擎——这两部分同等重要，共同构成了它的独特之处。
EmotiVoice 的功能优势
- 超过 2,000 种预设音色，覆盖中英文，涵盖非常广泛的年龄、音调和声音特征，而非只有少数通用默认选项。
- 由提示词控制情感表达——开心、兴奋、悲伤、愤怒等情绪通过风格提示词设定，而不是依赖严格固定的标签系统。
- 情绪之外的其他风格因素，包括音高、速度和能量，可与情绪分别独立调整。
- 使用自己的录音克隆声音，这一功能在首次发布后不久加入，让你能够用自定义声音扩展预设音色库。
- 多种集成方式：交互式网页界面、用于批量生成的脚本接口，以及兼容 OpenAI 的 TTS API，只需极少改动即可接入现有工具。
- 完全开放且可自行托管，部署后能够离线运行，所用许可证没有商业限制。
基于提示词的风格控制究竟如何工作
EmotiVoice 基于 PromptTTS 方法构建，当前实现使用四个风格因素塑造表达：音高、速度、能量和情绪——值得注意的是，其中不包括性别。项目自己的文档特别指出，当前风格控制因素有意排除了性别，不过也提到，如果有需求，加入这一因素并没有太大难度。实际使用时，这意味着声音的基本性别特征取决于你选择的预设音色，而提示词真正塑造的是这个声音如何说出一句话——包括情感色彩、节奏和强度。在开始编写提示词前，很有必要理解这种划分：先选择音色来确定声音身份，再通过提示词指导表演。
EmotiVoice 入门
尝试 EmotiVoice 最快捷的方式是使用它的 Docker 镜像，这需要一台配备 NVIDIA GPU 并已配置 NVIDIA Container Toolkit 的机器——运行官方提供的镜像会启动一个交互式网页演示，你可以直接在浏览器中使用。如果更愿意手动配置，项目文档也介绍了如何通过 conda 在 Python 3.8 环境中本地安装，让你能更细致地控制配置和依赖。对于编程调用，社区贡献的 OpenAI 兼容 API 服务器只需安装少量 Python 软件包，即可与核心引擎一同运行；任何已经适配 OpenAI TTS API 格式的客户端都能用极少的代码改动调用 EmotiVoice。
获得更好结果的技巧
- 像指导一场表演那样编写风格提示词，而不只是标注一种情绪。 由于系统由提示词而非标签驱动，在核心情绪之外进一步描述强度和节奏，往往比单个词的标签带来更精确的结果。
- 先选择预设音色，再编写情绪提示词。 性别和核心声音身份来自音色选择，而不是风格提示词，因此应先确定合适的音色，再迭代提示词以获得想要的表达。
- 批量任务使用脚本接口。 如果要生成的不只是少量片段，脚本接口可以省去每次都手动操作网页界面的额外负担。
- 只有在 2,000+ 种预设音色都不合适时，才专门考虑声音克隆。 现有音色库已经非常庞大，值得先浏览预设选项——克隆适用于确实需要某个特定真实声音的情况，不应成为默认起点。
- 如果要替换商业 TTS 供应商，请使用兼容 OpenAI 的 API。 由于它复用了该 API 的请求格式，迁移现有集成代码通常比适配完全自定义的接口改动更小。
EmotiVoice 与其他富有表现力的双语模型对比
| EmotiVoice | ChatTTS | Chatterbox | |
|---|---|---|---|
| 支持机构 | 网易有道 | 2noise | Resemble AI |
| 语言 | 英语、中文 | 中文、英语 | 英语（多语言：23 种） |
| 情绪控制方式 | 自由文本风格提示词 | 生成时由模型自行预测 | 明确的夸张度参数 |
| 预设音色数量 | 2,000+ | 通过高斯采样实现多说话人 | 以零样本克隆为重点 |
| 声音克隆 | 支持，使用个人录音 | 不是主要工作流 | 支持，零样本 |
| 许可证 | Apache 2.0 | AGPLv3+（代码）/ CC BY-NC 4.0（权重） | MIT |
EmotiVoice 的独特定位在于，将提示词带来的灵活性与庞大的预设音色规模结合在一起——ChatTTS 将对话韵律直接融入生成过程，Chatterbox 提供单一的夸张度调节，而 EmotiVoice 则让你在真正丰富的音色目录中，用自己的语言描述表达方式。
常见问题
如何在 EmotiVoice 中控制情绪？
通过用日常语言编写风格提示词，而不是从固定的情绪标签中选择——模型会解释提示词来塑造表达，同时音高、速度和能量还可以分别调整。
EmotiVoice 能通过提示词控制声音的性别吗？
目前不能。性别来自你选择的预设音色，而不是风格提示词，因为项目当前的风格控制实现有意排除了性别因素，不过文档也指出，未来可以加入这一因素。
EmotiVoice 支持声音克隆吗？
支持。除了超过 2,000 种预设音色外，它还可以使用你自己的录音克隆声音。
EmotiVoice 支持哪些语言？
英语和中文；项目路线图还列出了包括日语和韩语在内的更多语言支持。
EmotiVoice 可以免费用于商业用途吗？
可以。它采用 Apache 2.0 许可证，允许商业使用，无需支付版税或签订单独的许可协议。
在浏览器中把文字转换为语音
如果你希望完成相近的“文字 → 单人语音”流程，可以使用 Echora 的文字转语音。输入最多 5,000 个字符，选择内置音色或已保存的自定义音色，按需添加支持的表达标签并调整语音稳定度，然后试听结果并下载生成的 MP3。