Fish Speech 1.5效果展示：儿童绘本故事语音生成（带角色音色区分）

你有没有想过，给孩子讲睡前故事时，如果能用不同的声音扮演故事里的每个角色，那该多有趣？或者，为你的绘本配上专业、生动的旁白和对话，让故事“活”起来？

今天，我们就来体验一下 Fish Speech 1.5 这个强大的语音合成模型。它不仅能生成非常自然、流畅的语音，更厉害的是，它支持在单次生成中为不同角色分配不同的音色。这意味着，你可以用一段文本，直接生成一个包含旁白、爸爸、妈妈、孩子等多种声音的完整故事音频，就像一部广播剧。

我们已经在 CSDN 星图镜像广场上，通过 Xinference (2.0.0) 一键部署好了 Fish Speech 1.5。接下来，我将带你看看它的实际效果到底有多惊艳，并分享如何用它来制作一个生动的儿童故事音频。

1. Fish Speech 1.5：一个能“分角色”说话的语音模型

在深入效果展示前，我们先简单了解一下这位“主角”。

Fish Speech V1.5 是一个基于大规模数据训练的文本转语音模型。它的训练数据非常庞大，涵盖了超过 100 万小时的音频，支持包括中文、英语、日语在内的十多种语言。这意味着它在生成各种语言的语音时，都有扎实的基础。

支持的语言	训练数据量（约）
英语 (en)	>300k 小时
中文 (zh)	>300k 小时
日语 (ja)	>100k 小时
德语 (de)	~20k 小时
法语 (fr)	~20k 小时
西班牙语 (es)	~20k 小时
韩语 (ko)	~20k 小时
阿拉伯语 (ar)	~20k 小时
俄语 (ru)	~20k 小时
荷兰语 (nl)	<10k 小时
意大利语 (it)	<10k 小时
波兰语 (pl)	<10k 小时
葡萄牙语 (pt)	<10k 小时

它最吸引人的特点是什么？ 不仅仅是声音自然，而是它的 “角色音色区分” 能力。你可以在输入的文本中，用简单的标记来指定哪段话由哪个“角色”来说，模型就会用不同的音色来合成它们。这对于制作对话类内容（如故事、广播剧、视频配音）来说，简直是神器。

2. 效果实战：生成一个儿童绘本故事音频

光说不练假把式。我们直接用一个具体的儿童故事来测试。故事很简单，是关于一只小兔子寻找胡萝卜的冒险，里面有旁白、兔妈妈和小兔子三个角色。

2.1 准备故事文本与角色标记

首先，我们需要按照 Fish Speech 的格式来编写故事脚本。它的格式非常直观，用 <speaker=角色名> 来标记说话人，用 </speaker> 来结束。

下面是我们准备的故事文本：

<speaker=narrator>在一个阳光明媚的早晨，小兔子白白从睡梦中醒来。它的肚子咕咕叫，好想吃一根又甜又脆的胡萝卜呀！</speaker>
<speaker=rabbit_mom>白白，妈妈要去菜园浇水了。你可以自己在家玩吗？</speaker>
<speaker=little_rabbit>好的妈妈！我会乖乖的！</speaker>
<speaker=narrator>妈妈走后，白白看着空空的餐桌，突然有了一个大胆的想法：我要自己去找胡萝卜！</speaker>
<speaker=little_rabbit>我知道森林边上有一片野胡萝卜地，我要去那里！</speaker>
<speaker=narrator>于是，小兔子白白蹦蹦跳跳地出发了。它穿过开满小花的草地，跳过潺潺的小溪。</speaker>

关键点解析：

• 我们定义了三个“角色”：narrator（旁白）、rabbit_mom（兔妈妈）、little_rabbit（小兔子）。
• 每个角色的对话都被对应的标签包裹起来。
• 模型在合成时，会尝试为 narrator、rabbit_mom、little_rabbit 分配三种不同的、符合语境的声音特质（例如，旁白沉稳、妈妈温柔、小兔子活泼）。

2.2 在Web界面中生成语音

部署好镜像后，访问 Web 界面非常简单。界面也很清爽，主要就是一个输入框和几个设置选项。

1. 粘贴文本：将上面准备好的带角色标记的故事文本，粘贴到输入框中。
2. 选择参考音频（可选但推荐）：这是让音色更稳定、更符合预期的关键。你可以上传一段简短（几秒钟）的、你希望角色拥有的音色的音频。比如，你可以上传一段温柔的女生录音作为 rabbit_mom 的参考。如果不指定，模型会使用内置的默认音色，效果可能略有随机性。
3. 点击生成：点击“生成语音”按钮，模型就会开始工作。

生成过程通常只需要几十秒。完成后，你就可以直接在线播放生成的音频，也可以下载下来。

2.3 实际效果聆听与分析

生成完成后，我仔细聆听了这段故事音频。效果可以说超出了我的预期：

1. 音色区分清晰可辨：

• 旁白 (narrator)：声音平稳、清晰，带有讲述感，很像纪录片里的解说。
• 兔妈妈 (rabbit_mom)：音调相对较高，语气温柔，充满了关爱，一听就是妈妈在说话。
• 小兔子 (little_rabbit)：音调更高，语速稍快，带着一点稚气和兴奋，完美匹配了小孩子的形象。

即使不看着文本，仅凭听觉，你也能轻松分辨出当前是哪个角色在说话。这种区分不是简单变个调，而是在音色、语调、语气上都有差异。

2. 语音自然度极高：

• 流畅度：整段音频非常连贯，没有机械的停顿或奇怪的断句。句子之间的过渡很平滑。
• 情感与节奏：模型很好地捕捉了文本中的情绪。例如，小兔子说“我要去那里！”时，能听出其中的兴奋和决心；旁白描述“蹦蹦跳跳地出发了”时，节奏轻快。
• 发音准确：中文发音标准，多音字和轻声都处理得很好，没有出现生硬的机器读音。

3. 整体听感： 最终的音频听起来不像是由AI拼接的，更像是一个专业的配音演员在用心演绎一个多角色故事。背景干净，人声突出，可以直接用于绘本伴读、睡前故事App或儿童教育视频中。

3. 更多玩法与效果展示

除了儿童故事，Fish Speech 1.5 还能在很多场景下大放异彩。这里再举几个例子，展示其效果：

场景一：双语教学对话 你可以用它生成一段中英文对照的对话，让不同的“老师”和“学生”角色用中英文交替说话，用于语言学习材料。

场景二：广播剧片段 生成一小段悬疑或科幻广播剧，用不同的音色塑造侦探、助手、反派等角色，声音的差异能极大增强剧情的表现力。

场景三：产品介绍视频配音 为一段产品介绍文案配音，用沉稳的男声介绍参数，用亲切的女声讲述用户体验，让视频听起来更专业、更有层次。

效果核心总结：

• 角色分离度：★★★★☆（能清晰区分不同角色，音色差异明显）
• 自然度与流畅度：★★★★★（接近真人发音，断句和情感自然）
• 发音准确性：★★★★★（中英文发音标准，极少出错）
• 易用性：★★★★☆（通过标签即可定义角色，Web界面操作简单）

4. 如何开始你的创作？

看到这里，你是不是也想亲手制作一个属于自己的多角色故事音频？过程非常简单：

1. 获取环境：在 CSDN 星图镜像广场找到并部署 “Fish Speech 1.5” 镜像。
2. 构思脚本：写下你的故事或对话，并用 <speaker=角色名> 和 </speaker> 标签把不同角色的台词包起来。
3. 准备参考音（进阶）：如果想固定某个角色的声音，可以提前录制一句该角色的台词作为参考音频。
4. 生成与导出：在 Web 界面输入文本，上传参考音（可选），点击生成，等待片刻即可获得成品。

整个过程无需编写任何代码，就像使用一个高级的在线配音工具一样简单。

5. 总结

经过实际的体验和测试，Fish Speech 1.5 在语音合成，特别是多角色语音合成方面，展现出了令人印象深刻的效果。

它成功地将“技术”转化为了“体验”。你不再需要分别生成多个音频文件再进行繁琐的剪辑，只需一段标注好的文本，就能得到一个角色分明、生动自然的完整音频作品。这对于内容创作者、教育工作者、视频制作者来说，是一个能极大提升效率和作品质量的工具。

无论是为孩子创造一个充满声音魔法的故事世界，还是为自己的视频项目添加专业的配音，Fish Speech 1.5 都提供了一个非常强大且易用的选择。它的效果告诉我们，AI语音合成已经不再是机械的朗读，而是正在走向富有表现力和创造力的“声音演绎”。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。