X-Studio 0.4.0:现在能用你的声音说话了

萝卜2026-11-10

版本:v0.4.0 2026-11-10 M 芯片 Mac 本地跑;Intel Mac / Windows 当客户端连过来

这次就两件正经事:配音,一份字幕进去、一条对好时间的音轨出来;克隆音色,给几十秒原声,让它照着说话。表单也收拾了一下——以前一个工具摊开二十几个参数,真不知道填哪个。

配音:先把字幕想清楚

工具页多了两个带「配音」的,区别只在声音从哪来。

配音 · 声音克隆:丢一段原声进去,音频视频都行,视频自己抽音轨,然后用这个人的音色把整份字幕念一遍。想让语气更像本人,把原片那份字幕也一起给它,它会按参考音频实际用到的那三十秒,把对应的几句挑出来当参考文本。逐字对得上,出来的语气才像。

配音 · 语音生成:不用原声,九个预设音色里挑一个,可以再补一句「用平静的旁白语气」。想换角色,改音色重跑就完了。

麻烦的地方全在时间上。每句是按字幕自己的时间点放进去的,不是一句接一句往后排。所以中途哪句失败、出了段空白,那也就空着,后面的照旧落在原来的位置,不会整段往前挪。一句话念得比字幕还长,默认加速塞进去(最多两倍,还塞不下才截断),也可以改成直接截断。每段首尾各加了 10ms 淡入淡出,拼起来才没有「啪」的接缝声。

字幕只认 srt,别的格式会白等。出来的文件叫 dub_clone_*.wav 或 dub_tts_*.wav,拖进剪映替掉原音轨就行。

只想念一句,用「声音克隆」

配音是整段流程,就一句话的时候有点绕。工具页里有个单独的「声音克隆」:给 5~15 秒干净人声,把参考文本填上(就是这十几秒里说的字,一字不差),音色、语速、口音都跟着走。不填也行,但那样只学会音色,节奏得自己猜,效果差一截。

整集视频拖进去不会卡住,只截前面 30 秒用,日志里会提醒你剪短点。

表单:只留非填不可的

右上角多了「简 / 全」,默认「简」——必填项加模型选择,温度、采样这些全塞进「全」。之前填过的可选项还是照常显示,不然藏着一个悄悄跟着提交上去的值,挺难受。切来切去东西也不丢。

工作流端口跟着走:简模式只给必填参数开端口,但已经连上线的两种模式都留着,切一下线不会断。顺手把节点边栏那个「完成」按钮删了,改完就是保存,回车也不会把边栏关掉。

连着跑,不用每次重读模型

同一个工具同一个模型,短时间连用几次,现在接着用同一个进程,权重也还在内存里,默认留 120 秒。以前每跑一次都要等它把几个 G 重新读一遍,现在第二次开始直接干。换工具、换模型、取消、超时,进程自己收掉,内存还是要还的。

两个老毛病

大文件拖进去不再白屏。 以前一个上百 MB 的视频,界面会先整个读成 base64,内存撑爆就白屏。现在只把路径交给主进程,本机服务直接用原文件,连远端才由主进程搬字节,文件根本不进界面。剪贴板里那种没路径的图片还走老路,限 32MB,超了会提示你先存成文件。

客户端改地址立刻生效。 以前在客户端形态下改远端地址或令牌,界面会一直卡在「等待连接」,得重启应用。现在保存就切过去。

升级前看一眼

删掉老版本,解压新版本,~/.x-studio 里的工作流、会话、执行记录都还在。

克隆和配音得先在「模型」页下模型。克隆用 Qwen3-TTS Base,比如 Qwen3-TTS-12Hz-1.7B-Base-8bit;预设音色那版用 CustomVoice,比如 Qwen3-TTS-12Hz-0.6B-CustomVoice-8bit。选错了会直接告诉你,不会跑到一半才失败。

第一次调用还是得加载权重,慢是正常的,第二句起就快了。

不上传、不订阅、不限次数——配音和克隆也是跑在你自己电脑上。

2026-11-10 12:14:2578 次阅读