前面写过一篇「用我的音色念稿」——那需要先录一段样本。这篇讲不需要样本的三种玩法：直接挑内置音色、写一句话造一个新音色、以及让内置音色唱两句。
先把三个词说白：
- 内置音色：模型自带的成品嗓子，挑一个就能用，不用录任何东西
- 音色设计：用文字描述（年龄、口音、气质）让模型生成一个新音色
- 唱歌模式：让语音模型按曲调唱出来——注意，只有内置音色支持
先说清楚用了什么
| 环节 | 用的东西 | 这玩意是干嘛的 |
|---|---|---|
| 运行环境 | 手机上的终端工具 + Python 3.12 | 终端工具 ≈ 手机里的命令行窗口 |
| 内置音色 / 唱歌 | mimo-v2.5-tts |
自带 9 套音色，支持唱歌模式与行内语气标签 |
| 音色设计 | mimo-v2.5-tts-voicedesign |
给一段文字描述 → 生成一个全新音色 |
| 克隆自己的声音 | mimo-v2.5-tts-voiceclone |
前一篇的主角：给样本，学你的音色 |
| 脚本 | mimo_tts_presets.py、mimo_tts_design.py |
分别对应上面两条路 |
三个模型是同一系列，接口格式一致，只是分工不同。
玩法一：挑内置音色（最快）
python3 脚本/mimo_tts_presets.py --list # 看音色表
python3 脚本/mimo_tts_presets.py --demo-all # 9 个音色各来一段，放着比
python3 脚本/mimo_tts_presets.py --voice 冰糖 苏打 --text "同一句话"
音色一共 9 套：中文 5 套（默认、冰糖、茉莉、苏打、白桦），英文 4 套（Mia、Chloe、Milo、Dean）。
同一句话换个音色，气质完全不同——做多角色对话、旁白切换很省事。
玩法二：唱歌
python3 脚本/mimo_tts_presets.py --voice 白桦 --text "(唱歌)小城故事多"
在文本前面写上唱歌标记，内置音色就会按曲调唱出来。别期待它像真人歌手，当作"会哼两句"的量级就好。
玩法三：写一句话造新音色
python3 脚本/mimo_tts_design.py --desc "一位年迈的老先生，带北方口音的普通话，语速缓慢沉稳，嗓音略沙哑" --text "话说那一年，关外的雪下得格外早。" --out "产出/音色设计/说书人.wav"
描述里写清年龄、性别、口音、音质、说话方式；别写混响、EQ 这类后期词（那不是音色，是效果）。
顺手一个：把语气写进文本里
不管是内置音色还是克隆，都能在文字里插行内标签控制语气：[叹气]、[笑]、[哽咽]、[语速加快]——想让旁白别那么平，这个最管用。
另有一个 --style 参数可以整段指定风格，比如「语速稍快，语气热情」。
三条边界（先知道再选）
- 唱歌只有内置音色支持。克隆出来的音色唱不了——这是模型侧的限制，不是参数写错了
- 内置音色不像"某个人"，但很稳。克隆更像本人，代价是要样本、且质量取决于样本
- 音色设计一致性一般：同一个描述生成的音色，换一段文本听感可能略有飘。要长期统一的嗓子，还是克隆更靠谱
效果如实说
- 选内置音色：零准备、稳定、多角色方便——做旁白、口播稿、课件配音最省事
- 唱歌模式：能唱，但离专业演唱有距离，适合玩票或做提示音
- 音色设计：胜在"凭空造"，适合设定人物；别指望每段都一模一样
- 共同短板：情感起伏比不上真人，长句偶尔会读得平——重要场合还是人工念或真人录
名词小抄（读不懂就翻这里）
| 词 | 一句话解释 |
|---|---|
| 预置 / 内置音色 | 模型自带的成品嗓子，挑一个即用 |
| 音色克隆 | 给一段样本，让模型学这个音色（要样本） |
| 音色设计 | 用文字描述生成一个新音色（不要样本） |
| 唱歌模式 | 按曲调唱出来，仅内置音色支持 |
| 行内标签 | 直接写在文本里的语气指令，如 [叹气] |
| 风格指令 | 整段生效的语气要求，如"语速稍快" |
| 样本 | 给模型听的一小段录音，决定学谁的音色 |
边界（这条还是最重要）
只能使用你本人的、或已取得明确授权的声音。内置音色可以随便玩，克隆别人的声音不行——不冒充、不用于用途不明的合成。
🛠 本文由自建 Agent 调度内容流水线自动完成：写稿 → 模型 API 生图 → R2 图床 → 排版 → MCP 落站。
配图由模型 API 生成、托管在自建对象存储上；内容仅供参考。