#3488 声音克隆到一般卡住不动了

这是由于语音克隆（clone）角色配音时，参考音频片段时长不符合要求，导致外部TTS服务（如F5-TTS、CosyVoice等）处理失败，任务卡住。

解决方案：

1. 调整语音识别参数：在软件顶部菜单栏，点击 工具/选项 -> 高级选项。
   
   

2. 在 语音识别参数 区域，进行以下设置：

   • 最短语音持续毫秒：设置为 3000。
     
     
   • 最长语音持续秒数：设置为 10。
     
     
   • 选中 Whisper预分割音频?。
     
     
   • 选中 合并过短字幕到邻近。
     
     
3. 这些设置确保语音识别生成的每条字幕对应的原始音频片段时长在3到10秒之间，这是多数语音克隆渠道对参考音频的时长要求。
   
   
4. 重新启动翻译任务。
   
   

最佳实践补充：

• 如果使用了克隆角色，建议同时选中主界面 设置更多参数 中的 分离人声背景声，以提高克隆质量。
  
  
• 确保外部TTS服务（如F5-TTS、CosyVoice等）的API服务已正确启动且地址配置无误。
  
  

请查阅相关文档：

• 如何使用原视频中音色配音
• 原声克隆与多角色配音

在这个界面怎么操作给每句台词匹配克隆的音色

这是由于需要为不同说话人（角色）分别指定克隆音色。

解决方案：在截图所示的“配音角色”下拉菜单中，选择 clone。

然后点击右侧的 “多角色配音” 按钮。

在弹出的“多角色配音”窗口中，系统会列出识别出的所有说话人（如 SPEAKER_00, SPEAKER_01 等）。

为每个说话人单独选择 clone 角色。

点击“确定”保存设置。

关键前提：必须已在 高级选项 - 语音识别参数 中开启并正确配置了说话人分离（如使用内置模型、Pyannote 或 CAM++）。

确保原始视频/音频中有清晰的多人对话，以便模型能区分不同说话人。

语音克隆（clone）需要外部TTS服务（如F5-TTS、CosyVoice、GPT-SoVITS等）支持，请确保相关服务已正确部署并配置了API地址。

请查阅相关文档：
原声克隆与多角色配音
说话人识别

这段视频里有很多角色，但是clone出来的只有一个音色吗

是的，如果只在下拉菜单中为整个视频选择 clone 角色，那么所有角色的配音都会使用同一个克隆音色（即克隆自原视频中某个或混合的说话人音色）。

要区分不同角色，必须使用“多角色配音”功能，为每个识别出的说话人单独指定 clone 角色。

这样，软件会为每个说话人克隆其对应的原始音色。

操作步骤：在“配音角色”下拉菜单选择 clone。

点击右侧的 “多角色配音” 按钮。

在弹出的窗口中，为每个列出的说话人（如 SPEAKER_00, SPEAKER_01）选择 clone。

点击“确定”。

关键前提：必须在 工具/选项 - 高级选项 - 语音识别参数 中，正确启用了“说话人分离”并选择了合适的模型（如内置模型、Pyannote 或 CAM++）。

确保原始视频中不同角色的语音清晰可辨，以便模型能有效分离。

请查阅相关文档：
原声克隆与多角色配音
说话人识别

如何同时克隆出一段视频里不同角色的音色

要同时克隆一段视频中不同角色的音色，核心是结合“说话人分离”与“多角色配音”功能。

解决方案：配置说话人分离：在软件顶部菜单栏，点击 工具/选项 - 高级选项。

在 语音识别参数 区域，找到 说话人分离模型。

选择一个模型（例如：内置模型、pyannote 或 CAM++）。

如果选择 pyannote，需要在 Huggingface的token 处填写你的有效Token。

设置 预计说话人数（可选，但建议填写与实际角色数接近的数字）。

调整语音识别参数以适配克隆：将 最短语音持续毫秒 设为 3000。

将 最长语音持续秒数 设为 10。

选中 Whisper预分割音频? 和 合并过短字幕到邻近。

这些设置确保为克隆提供的参考音频片段时长在3-10秒之间。

在主界面配置配音：在 配音渠道 行选择支持克隆的外部TTS服务（如 F5-TTS、CosyVoice、GPT-SoVITS 等）。

在 配音角色 下拉菜单中，选择 clone。

点击右侧的 “多角色配音” 按钮。

在弹出的“多角色配音”窗口中，系统会列出所有识别出的说话人（如 SPEAKER_00, SPEAKER_01）。

为每一个说话人都选择 clone 角色。

点击“确定”保存。

启动翻译任务。

软件将先进行语音识别并分离不同说话人，然后在配音阶段，为每个说话人克隆其对应的原始音色。

请查阅相关文档：
原声克隆与多角色配音
说话人识别
如何使用原视频中音色配音