声音设计、声音克隆与语音生成：区别是什么，模型怎么搭配？

三个概念，分别解决哪一步

你想为一段故事配音，模型列表里却同时出现了 VoiceDesign、Base、CustomVoice，还有“克隆声音”和“语音生成”。这些名字容易让人以为每个功能都要从头选一套模型。先把创作过程拆开，就容易理解了：你需要找到声音，再让这个声音朗读文稿。

设计和克隆过程中也会生成试听音频，但它们侧重确定声音。正式生成时，你关心的是当前文稿有没有被完整、准确地读出来。

声音设计：用描述寻找一个新声音

假设故事里有一位年长的讲述者，你没有现成录音，可以先写一段能听出区别的声音描述：

成年男性，音高偏低，声音温和而清晰，语速平稳。像坐在桌边给一个人讲故事，句尾自然收住。

设计模型会按这段描述朗读试听文字。你听完以后可以修改描述、重新试听，再把合适的结果保存到声音库。样本文字最好带上正式作品中会出现的长句、数字或人物称谓。

Sonano 当前的设计引擎包括 Qwen3-TTS VoiceDesign、VoxCPM2 和 OmniVoice。它们对描述和语言的处理不同；例如 OmniVoice 官方说明设计训练主要使用中英文数据，其它语言的设计结果需要另做试听。

声音克隆：从已有录音延续声音特征

如果你已经有自己的录音，或者获得授权的说话人样本，可以走克隆路径。准备一段清楚的人声和逐字对应的文字，保存为可复用的声音。之后输入新稿，模型会参考这个样本的声音特征来朗读。

Sonano 当前的克隆入库保存的是受管参考音频、对应文字和语言等信息，不会为每个声音重新训练一份模型。真正读新稿时，由选定的语音模型处理这些参考输入。

参考文字应当是录音里实际说出的内容。模型可能同时参考音色、口音、节奏和录音条件；一段带音乐、重叠讲话或严重回声的样本，不一定能得到你想要的声音。素材准备可以继续看克隆参考录音指南。

语音生成：让选定的声音读新文稿

有了声音以后，把正式文稿交给生成模型，得到新的音频。新稿不需要和参考录音说相同的话；参考文字负责说明样本说了什么，正式文稿才是这次需要生成的内容。

同一个声音可以反复用于多个段落。制作对白时，给每个角色分配声音；制作有声书时，用项目级的模型、语言和声音逐章生成。试听后修改某一句或某一章，依然属于作品制作过程。

如果不想自己设计或克隆，也可以直接选现成声音。这里还要区分模型自带的预设音色，与 Sonano 提供的出厂参考声音：它们在生成时走不同的路径。

各个声音模型负责什么

下表按 Sonano 当前接入方式区分。Qwen3-TTS 的三个名字属于同一家族里的不同模型，不能因为前缀相同就互换用途。

“参考声音生成”就是让模型用声音样本来读新稿，也就是克隆能力实际参与语音生成的环节。Qwen 官方也给出了先用 VoiceDesign 做样本、再用 Base 的克隆路径持续生成新内容的流程。

设计声音的模型，可以和读稿模型不同

这是模型搭配时最容易混淆的一点：一个声音由 Qwen3 VoiceDesign 设计，并不表示之后只能交给 Qwen3 读稿。

Sonano 的出厂参考声音、自己保存的设计声音和克隆声音，使用同一个共享声音库。Qwen3-TTS Base、VoxCPM2、OmniVoice 和 Chatterbox 都能在各自支持的语言范围内使用这些声音。来源模型只记录声音最初从哪里产生，不把它锁定在那个模型上。

能否使用还取决于语言是否匹配、参考音频和文字是否完整。例如，一个中文参考声音不能直接交给仅支持英文的 Chatterbox Turbo 使用。Kokoro 和 Qwen3-TTS CustomVoice 则走各自的预设音色路径，不直接消费上述共享声音库。

跨模型复用的是同一份参考材料。不同模型对声音的还原、发音、停顿和情绪可能不同，换引擎后仍要重新试听。保存了一个声音，也不代表每个模型生成的听感完全一致。

把几种常见需求串起来

为虚构角色创建声音。用 Qwen3 VoiceDesign 或 VoxCPM2 设计中文声音，试听并保存。然后在语音生成中选这个声音，分别用 Qwen3-TTS Base 和 VoxCPM2 读同一段新稿，比较哪个更符合角色。切换模型时保持语言和文稿一致。

用自己的声音朗读新内容。录一段清晰样本，核对参考文字并保存为克隆声音，再选择支持该语言的参考声音模型生成。若保存的是英文声音，也可以把 Chatterbox Turbo 纳入试听比较。

只想快速得到一段朗读。直接选 Kokoro 或 Qwen3-TTS CustomVoice 的现成预设音色，输入文字生成；也可以选择出厂参考声音，搭配共享声音库模型使用。你不必先完成一次声音设计或克隆。

转写、对齐和变声分别在哪一步使用

Whisper 与 Qwen3-ASR 负责把音频转成文字。它们可以辅助整理录音的参考转写，但转写结果仍要回听核对。Qwen3-ForcedAligner 用已知文字和音频估计字词时间，适用于对齐和字幕，不负责创建设计声音。

Chatterbox VC 处理的是已有录音与目标声音参考，把现有讲话转换成另一种音色。你若要输入一份全新的稿件，应走语音生成；你若想处理已经说好的一段录音，则看变声工作流。

开始实际制作时，先确定声音来自描述、录音还是现成声音，再选择支持它的模型、语言和正式文稿。可继续查看声音库文档与模型目录。