一个模型，克隆、设计与导演。
Vocu Voice 4.0 是 Vocarea 自研的语音克隆生成大模型：输入文本与参考音色，模型自主理解语义与情感完成演绎；需要精细控制时，用 {{自然语言描述}} 像导演一样“说戏”。
模型定位
Voice 4.0 将音色克隆、声音设计与开放域自然语言导演控制统一在同一个模型内。
输入文本与参考音色，模型自主理解文本语义与情感完成演绎，无需人工标注情绪；
需要精细控制时，直接在文本中以 {{自然语言描述}} 的方式“导演”情绪、语气、节奏、语调等，将“文本朗读”升级为“剧本演绎”；
同一模型覆盖大量主流语言与口音，支持任意语言组合混读，并以流式方式输出，首包延迟 300–400ms。
Voice 4.0 目前处于内测阶段。规格以内测环境为准，正式发布时部分参数可能调整；节点、并发与部署形态可根据合作需求配置与拓展。
核心能力一览
大于 2 秒的样本即可克隆音色，推荐 5–30 秒；音色还原度 99.5%+，并复刻样本的语气、语速、停顿、响度与声学环境等特征。
无需任何样本，用自然语言描述即可创造全新音色；Remix 可在现有音色基础上一句指令生成风格变体。
自主理解文本情感；支持哭、笑、喊叫、气声、叹息等非语言表达。
{{ }} 内嵌开放域自然语言标签，控制情绪基线与瞬时切换、语气与音量、停顿与节奏、语调等；中英文标签效果最佳，其他语言亦支持。
覆盖大量主流语言与口音；任意语言组合混读；支持纯拼音输入指定读音。
首包 300–400ms（低延迟部署可至 150–200ms）；单流生成速度约 7 倍实时；支持流式文本输入与流式音频输出。
原生 48kHz / 44.1kHz / 24kHz 可选；wav / mp3。
REST / WebSocket；Python / JavaScript / .NET / Swift SDK；全球多区域节点就近接入；弹性并发，可按需部署与拓展。
音色克隆与声音设计
上传一段参考音频即可完成克隆，无需训练等待。模型不仅复刻音色，还会复刻样本中的语气、语速、情感倾向、停顿、响度、声学环境、呼吸与口音，并结合目标文本的语境进行演绎。
- 样本时长
- 大于 2 秒即可；推荐 5–30 秒
- 文件大小
- 不超过 20MB
- 样本建议
- 清晰、单人、无背景音乐与明显噪声；样本的情绪与语速尽量贴近目标用途。样本质量比长度更重要，必要时可先做人声分离、降噪与响度标准化
- 跨语言
- 同一音色可用样本以外的语言演绎，口音本土化
声音设计（无样本）
用自然语言描述性别、年龄、音色质感、性格、语言口音与使用场景，即可直接生成一个全新的、可持续使用的音色——适合需要“专属品牌音色”但不希望绑定真人声音的场景。
“三十岁左右的女性，声音温暖、略带沙哑，语速偏慢，适合深夜电台”
Remix（风格变体）
在现有音色的基础上，用一句指令生成新的风格变体，用于同一角色的多种状态或衍生角色。
“把这个声音变成更年轻、更有活力的版本” / “保留音色，但换成更沉稳的播音腔”
三十岁左右的女性，声音温暖、略带沙哑，语速偏慢，适合深夜电台。
情感表达与自然语言导演控制
默认无需任何标注，模型根据文本语义自主判断情绪基线、语气与节奏，句内的情绪转折也会被自然表达。需要时，在文本任意位置插入 {{自然语言描述}}——标签是开放域的，不限于预设词表。
多语言、口音与混读
一段文本内可自由混排多种语言，无需分段或标注语言。
这个 feature 我们下周 release，具体时间还得 confirm。
同一音色可用非样本语言演绎，发音与口音本土化，适合品牌音色的多语言统一。
（中文样本音色）Good morning, everyone. Let’s get started.
文本中可直接使用拼音指定读音，用于多音字、人名、生僻字与特定读法的精确控制；拼音与汉字可混合书写。
ní hǎo，今天天气真不错。
流式合成与延迟
- 首包延迟
- 300–400ms（标准部署）；低延迟部署可至 150–200ms
- 生成速度
- 单流约 7 倍实时（1 分钟语音约 9 秒生成完毕）
- 流式文本输入
- 上游对话模型的文本可以边产出边送入合成，语音随文本推进持续输出，无需等待整段文本生成完毕
- 流式音频输出
- 通过 WebSocket / HTTP Stream 分片返回音频，可边接收边播放
- 同步与异步
- 短文本可使用同步接口直接返回；长文本与批量任务可使用异步任务接口
音质与表现力预设
三档表现力预设，用于在“表现力”与“稳定一致”之间按场景取舍。
- 采样率
- 原生 48kHz / 44.1kHz / 24kHz 可选
- 编码格式
- wav（无损）/ mp3
- 推荐搭配
- 内容生产与高保真场景：48kHz wav；助手与播报等带宽敏感场景：24kHz mp3
在表现力与相似性 / 稳定性之间取平衡，默认推荐
通用场景、首次评测
示意：用于理解三档预设的取舍方向，非测评分数。
技术规格表
- 模型名称
- Vocu Voice 4.0 语音大模型
- 当前状态
- 内测中
- 核心能力
- 语音克隆生成 · 声音设计与 Remix · 开放域自然语言导演控制
- 文本长度
- 单次最大约 1200 汉字（约 5 分钟语音）；更长内容分段提交
- 流式文本输入
- 支持，上游文本边产出边合成
- 语言混读
- 支持任意语言组合混读，无需分段或标注
- 拼音输入
- 支持纯拼音及拼音与汉字混合输入，指定读音
- 导演标签
- {{ }} 内嵌开放域自然语言描述；中英文效果最佳，其他语言亦支持
- 克隆样本
- 大于 2 秒，推荐 5–30 秒；不超过 20MB
- 声音设计
- 自然语言描述生成新音色，无需样本；支持 Remix 变体
- 语言与口音
- 含中文普通话、粤语、英、日、韩、法、德、西、葡、意、俄、泰、越等；四川 / 湖南 / 长沙 / 北京 / 东北 / 上海等中文口音
- 情感表达
- 自主理解文本情感；支持哭、笑、喊叫、气声、叹息等非语言表达
- 表现力预设
- 更可控（有表现力）/ 均衡 / 与角色更相似
- 采样率
- 原生 48kHz / 44.1kHz / 24kHz 可选
- 编码格式
- wav / mp3
- 音色还原度
- 99.5%+
- 首包延迟
- 300–400ms；低延迟部署可至 150–200ms
- 生成速度
- 单流约 7 倍实时
- 并发
- 弹性并发，按需求拓展
- 接口协议
- REST / WebSocket；同步、流式与异步任务
- SDK
- Python / JavaScript / .NET / Swift
- 服务节点
- 全球多区域节点，就近接入；可根据需要在不同区域部署与拓展
- 算法备案
- 悟声语音合成算法备案：网信算备 440105834288001250017 号
- 大模型备案
- 悟声语音合成大模型备案：Guangdong-WuShengYuYinHeCheng-202602020120
- 标准参与
- 作为核心起草单位参与《人工智能生成合成内容标识管理能力要求》（中国电子信息行业联合会归口，2025 年 9 月发布）编制
注：以上规格以内测环境为准，正式发布时部分参数可能调整。
效果示例与使用建议
无需标签，模型根据语义以克制的语气演绎，句尾自然留白
同一句内完成从兴奋到压低声音的切换，转折自然
苦笑与叹气以真实的非语言方式表达，而非朗读文字
气声、近距离的耳语质感
中英文自然衔接，英文发音地道，不需要分段
按拼音读音输出，用于多音字、人名与生僻字的精确控制
以东北口音演绎；口音也可由参考样本自然携带
同一音色以地道英文发音演绎，音色保持一致
直接生成符合描述的新音色，可持续复用
段落间音色、语气与节奏保持一致，适合听书
接入与申请
Voice 4.0 目前以内测形式向企业与开发者开放，通过与 Vocu 开放平台相同的 REST 与 WebSocket 接口调用。
合规资质
悟声语音合成算法备案
悟声语音合成大模型备案，Voice 4.0 归属该备案体系项下提供服务
作为核心起草单位参与《人工智能生成合成内容标识管理能力要求》编制（中国电子信息行业联合会归口）
附录 · {{ }} 导演标签速查
标签为开放域自然语言描述，以下仅为常用写法示例，可自由组合与改写。中英文标签效果最佳，其他语言亦支持。
{{深夜，压低声音，像在说秘密}}我跟你说，这事儿只有我们俩知道。{{停顿}}{{突然笑出声}}哈哈，骗你的。