Fish-Speech语音合成精细控制V2版本使用说明

本文为Fish‑Speech V2版本语音合成精细控制功能说明，用于实现对语音生成过程的精准调控，提升语音自然度与表现力。

一、使用须知

启用精细控制功能后，模型对数字、日期、URL的朗读稳定性可能下降，如需保证这类内容的准确播报，建议手动处理相关文本片段以获得最佳合成效果。

二、音素控制（精准发音）

音素控制可指定字词的精确发音，支持中英双语标注，适配不同发音需求。

• 支持体系
  • 英语：CMU Arpabet
  • 中文：汉语拼音
• 使用格式

用 <|phoneme_start|> 与 <|phoneme_end|> 标签包裹目标发音，每个标签内仅放单个字词或单字。

• 示例
  • 英文

  普通：I am an engineer.

  控制：I am an <|phoneme_start|>EH N JH AH N IH R<|phoneme_end|>.

  • 中文

  普通：我是一个工程师。

  控制：我是一个<|phoneme_start|>gong1<|phoneme_end|><|phoneme_start|>cheng2<|phoneme_end|><|phoneme_start|>shi1<|phoneme_end|>。

三、副语言控制（自然语气）

副语言控制用于添加停顿、语气词与拟声效果，让合成语音更贴近真人表达习惯。

1. 停顿词

直接插入口语化停顿词调节节奏：

• 中文：嗯、啊
• 英文：um、uh

2. 特殊效果（V2实验性功能）

用英文括号 () 包裹效果标识即可触发，当前均为实验阶段：

3. 效果说明

• (laugh)、(cough)、(lip-smacking)、(sigh) 仍在开发优化中，可重复使用以提升效果呈现率。
• 示例
  • 英文

  普通：I am an engineer.

  增强：I am, um, an (break) engineer.

  • 中文

  普通：我是一名工程师。

  增强：我，嗯，是一名(break)工程师。