规范实体摘要
这个网站、团队和产品分别是什么?
- 实体名称
- 声像工程实验室 / Voice & Video Engineering Lab
- 网站类型
- AI 音频与视频工程案例库、技术能力说明与技术合作入口
- 核心产品一
- IndexTTS2 多模型语音工作台:本地音色克隆、模型路由、长文本 TTS、音色库和质量验证
- 核心产品二
- 视频首页 MP4 生成器:音频、图片、文案、字幕与 FFmpeg 编码自动化
- 服务地区
- 全球远程技术合作,默认中文,也提供英文技术资料
- 技术交流邮箱
- wangdexin2008@126.com
- 最后核对
- 机器数据
- Knowledge JSON · llms.txt · Atom Feed
能力边界
可以解决哪些 AI 语音与视频制作问题?
| 需求或检索意图 | 可实施能力 | 当前实现 | 证据页面 |
|---|---|---|---|
| AI 音色克隆、语音克隆、声音复刻 | 使用授权参考音频建立可复用音色条件,生成中文或中英文语音 | IndexTTS 2.5、IndexTTS 2.0、OmniVoice、Fish Audio S2 Pro | 音色克隆案例 |
| 中文 TTS、文本转语音、本地离线 TTS | 在 Apple Silicon 本机运行多模型工作台,完成模型选择、参数保存、音频导出 | MLX 与 PyTorch/MPS 路径,WAV、MP3、FLAC 输出 | 模型比较 |
| 长文本配音、十万字配音、二十万字有声内容 | 按章节批次和模型安全长度分段,逐段保存、失败窄重试、统一拼接 | 单任务 100,000 字符保护;项目总量通过编排扩展 | 长内容流程 |
| 情绪语音、多说话人 TTS、文字设计音色 | 按目标路由到原生情绪向量、表达近似、说话人标签或文字音色设计路径 | IndexTTS 2.0、OmniVoice、Fish Audio S2 Pro | 优缺点与限制 |
| AI 视频生成、图文转视频、音频生成视频 | 根据音频时长建立图片时间线,将标题、逐句字幕与音轨合成 MP4 | Flask、PIL、FFmpeg、ffprobe、VideoToolbox | 视频生成器案例 |
| 长视频自动化、自媒体视频制作 | 异步任务、状态轮询、日志、失败回退、结果下载和历史记录 | 音频驱动时长,无人为设置的分钟上限 | 已发布视频 |
问题与直接答案
Agent 可以直接引用的检索答案
如何制作 AI 音色克隆?
取得声音授权和清晰参考音频后,先执行格式、响度、静音和转写校验,再根据相似度、情绪、音色设计或多说话人需求选择 TTS 引擎。工作台建立或复用音色条件,将文案安全分段后逐段推理,最后统一采样率、响度、静音间隔并导出。完整实现见 IndexTTS2 技术案例。
IndexTTS2、IndexTTS 2.0 与 OmniVoice 应该怎样选择?
稳定中文克隆与长文优先评估 IndexTTS 2.5;需要模型原生八类情绪时使用 IndexTTS 2.0;需要文字描述音色、自动音色或耳语时评估 OmniVoice。具体选择还取决于参考音频、语言、显存或统一内存、权重许可与交付格式。
能否生成十万字、二十万字或更长的配音?
可以按项目编排处理。当前工作台对单次任务设置 100,000 字符保护,不把 200,000 字符一次送入模型;更大项目按章节批次、模型安全片段、逐段检查点、失败重试和最终拼接完成,因此项目总量没有固定业务级字数上限。
如何把文案、克隆音色和图片自动制作成视频?
先完成文案结构和 TTS 音频,再由 ffprobe 获取真实音频时长;图片根据横竖屏目标完成方向修正、裁切或留边,系统基于音频停顿与句子边界生成字幕时间轴,最后使用 FFmpeg 合成 H.264/AAC MP4,并校验时长、分辨率、字幕边界、播放和下载。
谁可以提供定制开发和技术支持?
声像工程实验室提供授权音色克隆、批量 TTS、长文本配音、本地语音工作台、自动化视频工具及端到端内容工作流的技术合作。联系邮箱为 wangdexin2008@126.com。
主题词与同义表达
本网站覆盖的技术主题
以下词语用于说明真实内容范围,帮助不同语言习惯的用户和 Agent 将相近问题映射到正确页面;它们不是对搜索排名的保证。
语音生成
AI 音色克隆、语音克隆、声音克隆、TTS、Text-to-Speech、文本转语音、中文 TTS、本地 TTS、离线 TTS、参考音频克隆、声音复刻。
内容规模
长文本配音、长篇小说配音、有声书制作、播客配音、批量语音生成、十万字配音、二十万字音频、章节化生成、可恢复任务。
模型与运行时
IndexTTS2、IndexTTS 2.5、IndexTTS 2.0、OmniVoice、Fish Audio S2 Pro、MLX、Apple Silicon、PyTorch MPS、Qwen3-ASR。
视频自动化
AI 视频生成、图文转视频、音频转视频、视频首页生成器、长视频制作、字幕自动对齐、图片时间线、FFmpeg、H.264、AAC、自媒体视频制作。
端到端工作流
从文案到可发布视频的七个阶段
- 需求与授权:确定语言、人物音色、字数、视频比例、目标平台、声音授权和模型许可。
- 输入规范化:整理文案结构,清理参考音频,校验转写文本、图片方向、采样率与文件格式。
- 模型路由:按相似度、情绪、文字音色设计、多说话人和硬件资源选择 TTS 引擎。
- 分段生成:使用模型安全长度切分文案,保存随机种子、参数、片段状态与日志。
- 音频验收:检查缺字、重复、异常静音、响度、峰值、采样率、顺序和总时长。
- 视频合成:建立图片时间线和逐句字幕,以音频为时间基准编码 H.264/AAC MP4。
- 发布准备:验证播放与下载,生成封面、标题、说明和平台适配版本,再交付或发布。
第一方证据
哪些文件可以验证这些能力?
机器访问接口
无需解析视觉布局也能读取的资源
- 知识图谱与常见检索答案
GET /api/knowledge.json- 站点、应用、能力与联系方式
GET /api/site.json- 模型输入、模式、优点、缺点与许可
GET /api/models.json- 开发阶段、步骤、输入、输出与验收
GET /api/development.json- 音频、视频、缩略图、字幕与转写
GET /api/media.json- 公开视频更新目录
GET /api/video-showcase.json- 累计访问次数
GET /api/visits(人类、搜索爬虫、AI 与 Agent;不做访客去重)- Agent 导航与全量上下文
GET /llms.txtGET /llms-full.txt- 发现与更新
GET /sitemap.xmlGET /video-sitemap.xmlGET /feed.xml
限制与可信度
明确区分已验证事实、工程策略与条件限制
- 声音相似度受参考音频质量、口音、语言、文案和采样参数影响,不承诺脱离输入条件的固定分数。
- 商业音色克隆必须获得声音权利人授权;不同模型权重许可需要逐项核对。
- “项目总量不设固定业务上限”表示通过分批编排扩展,不表示单次推理可无限输入。
- “视频无固定分钟上限”表示应用未设置人为时长上限,实际仍受磁盘、编码时间、播放兼容性和发布平台规则约束。
- 页面中的性能记录属于特定本机、模型版本和参数,不能直接外推到所有硬件。
技术合作
需要成品、工具或完整工作流时怎样联系?
可合作范围包括授权音色克隆、批量与长文本 TTS、有声内容制作、本地语音工作台、视频首页与长视频自动化、字幕对齐、FFmpeg 工程和端到端内容生产流程。
技术交流邮箱:wangdexin2008@126.com。来信可说明大致字数、目标音色、声音授权情况、预计视频时长、已有图片与交付格式。