語音與音訊 AI

情緒語音克隆的實作筆記：別再把「強度」拉到最大

把情緒強度拉滿，情緒有了，聲音卻不像自己了。原因不是模型不夠好，而是這個參數本質上是「情緒模板 vs 你自己」的分配比例。這篇筆記給你一套 1–2 小時內能做完的調參流程。

2026/09/19 ｜ 2 分鐘閱讀

一個核心觀念

這類模型控制情緒的方式，幾乎都是一條線性混合公式：

最終聲音的情緒特徵 = 情緒模板 × 係數 + 你原本的音色特徵 × (1 − 係數)

係數設成 1.0，後半段「你原本的音色」直接歸零——你不是在調情緒強度，是在調「用多少比例的通用情緒模板取代你自己」。所以一調情緒就「不像自己」。

之後換任何 TTS 模型，看到「情緒強度／情緒權重」，先假設它是此消彼長的分配關係，別照 demo 的滿分設定抄。

怎麼做（約 1–2 小時）

Step 1｜錄一段乾淨的中性參考音

安靜環境、1–2 分鐘、正常語速，念一段內容豐富的文字（句長有變化，有問句有陳述句更好）。保持平穩，不要帶情緒——這段是給模型學「你原本的音色」，帶情緒會污染它。存成 wav。

Step 2｜先跑零樣本克隆打底

把參考音與想合成的文字餵進去，先不加任何情緒，確認「音色像不像你」過關，再往下加情緒。

Step 3｜先用模型內建的情緒選項

開心／難過／驚訝／平靜等內建模板，比自己錄一段「假裝很開心」的參考音穩定，因為業餘演出的情緒訊號通常不夠強，模型抓不到差異。

Step 4｜係數從 1.0 開始往下掃

用同一句中性測試文字，分別用 1.0、0.75、0.65、0.5 生成，實際聽：

• 太高（接近 1.0）：情緒很明顯，但「這不是我的聲音」
• 太低（接近 0）：還是你的聲音，但感受不到情緒
• 中間值（通常 0.6–0.7）：情緒聽得出來，音色也還在

沒有標準答案，一定要自己聽過幾版再選。我的定案值是 0.65。

Step 5｜句子太慢，改用後製變速

多數模型沒有語速的原生參數，停頓長短是模型自己學出來的。看起來像「停頓時間」的參數常常只管段落之間、不管段落內部，短句整句只算一段，設定完全不生效。直接在生成後的音檔用 ffmpeg 的 atempo 濾鏡（不改音高）：

ffmpeg -i in.wav -filter:a "atempo=1.15" out.wav

從 1.05 倍開始試，通常 1.1–1.3 之間會舒服。

Step 6｜定案，寫成小腳本

把參考音路徑、各情緒係數、語速倍率寫進一支腳本，之後只帶「文字」和「情緒」兩個參數呼叫。

你一定會踩的坑

1. 中性參考音錄得帶情緒：後面所有情緒都會怪。錄音階段保持平淡，情緒交給係數。
2. 係數設 1.0 抄 demo：聲音完全不像自己。看到「像 AI 在演」，第一反應是調低係數。
3. 自己演情緒效果不穩：先用內建模板，別誤以為模型不支援。
4. 語速參數調錯：與其鑽牛角尖，生成完直接後製變速。

卡住時怎麼問 AI

把下面這段貼給 Claude／ChatGPT，換成你的狀況，並且貼上完整的錯誤訊息原文（不要自己摘要）：

我是新手，正在自己的電腦上跑開源語音克隆模型（IndexTTS2），想做出帶情緒的克隆聲音。
我的作業系統：[Windows / Mac / Linux]
我卡在這一步：[例如安裝環境、跑生成指令]
錯誤訊息（完整貼上）：[原文]

請一步一步教我：每步先解釋在做什麼，再給實際要執行的內容。
資訊不足請先問我，不要用猜的給可能不適用的指令。

一句話總結

克隆有情緒的聲音，別把「強度」當成越大越好——那是「情緒模板 vs 你自己」的分配比例，抓中間值才是答案。