虚拟歌姬语调制作简易教程

洛叶总结整理了虚拟歌姬语调需要的一些工具和方法，作为对 25 、 26 两年内相关语调活动经验的总结，希望可以给学习者带来帮助。

原文链接：虚拟歌姬语调制作简易教程

前言¶

大家好，我是洛叶，平时会摸鱼调些歌。欢迎关注我的 Bilibili 主页↗。

在正式开始之前，先简单介绍一下什么是“语调”。顾名思义，语调就是让这些原本负责唱歌的家伙能够开口说话。2025、2026 两届 ACG 音乐会的主持音频，均采用语调的方式制作。

本文会简单介绍音乐会中采用的语调制作方法及相关工具。文中可能存在介绍不够详细或内容有误的地方，欢迎大家指出。

阅读提示

如果能提前了解一些调校相关的基础知识和操作，你会更容易理解本文内容，实际操作时也会更加顺畅。

相关资料可以在“USTC 调校小窝”群中查找往期调校课的 PPT，也可以在 Bilibili 搜索调校相关教程。

准备工作¶

开始制作语调之前，需要根据采用的方法准备相应的软件和素材。

传统工具¶

Tytalk 大多用于传统拼接声库，也就是 V 声库。由于我没有实际使用过，因此本文不作详细介绍。

观看 Tytalk 相关教程↗

ACE Studio¶

本文主要使用的抽参工具。第一次接触的朋友，可以先通过官方试用判断它是否适合自己的需求，也可以自行在闲鱼等平台寻找非官方购买渠道，但请注意核实授权有效性、账号安全和交易风险。

官方账号与教程↗

GPT-SoVITS¶

AI 音色克隆工具，既可以使用公开模型，也可以自行训练模型。

查看入门教程↗

VOCALOID4 编辑器¶

另一种方法是在 VOCALOID4 编辑器中直接调校。@寒天集萤↗ 老师曾在去年的“依言依语”语调活动中编写过相关教程。不过活动群已经解散，我也没有保存当时的 PPT，因此暂时无法附上资料。

如果有朋友仍然保存着相关 PPT，欢迎联系我。经原作者许可后，我会将资料补充到这里。

模型使用提示

下载和使用模型时，请注意模型作者的授权要求、使用范围及署名规则。

具体方法¶

本文主要介绍两种制作方式：使用 ACE Studio 抽取参数后人工修改，或使用 GPT-SoVITS 模型直接生成音频。

A ACE Studio 抽参

控制空间更大 · 需要人工修整

B GPT-SoVITS 生成

操作更简单 · 结果存在随机性

ACE Studio 抽参法¶

2025 年 ACG 音乐会采用的是现有的洛天依模型，以及通过 ACE Studio 抽参制作的乐正绫语调。

3.1.1准备参考音频¶

假设你已经有一段需要制作成语调的文本，首先需要准备一段念出这段文本的参考音频。

如果你希望使用女声声库制作语调，参考音频最好也采用女声。男声音频对歌姬来说往往偏低，抽参后可能出现工程音高线乱飞的情况，从而明显增加后续修改的工作量。

人声清晰，环境杂音较少
吐字清楚
语速和情绪符合预期
音高不明显超出目标声库的舒适音域

3.1.2什么是抽参¶

“抽参”可以简单理解为：将音频中的人声转换成 MIDI 音符块，并提取其中的音高变化。

目前我主要推荐 ACE Studio。其他编辑器，例如 Synthesizer V，也有类似功能，但就我个人的使用体验而言，效果并不如 ACE Studio 理想。

除了较好地还原音高，ACE Studio 的抽参功能也能保留一部分说话时的动态。这里可以将“动态”简单理解为声音的抑扬顿挫——说话如果完全没有起伏，听起来通常会不太自然。

3.1.3在 ACE Studio 中进行抽参¶

导入音频

将准备好的参考音频直接拖入工程。
打开 AI 工具

右键单击音频片段，在菜单中选择“AI 工具”。
人声转 MIDI

选择“人声转 MIDI”，等待软件完成处理并检查音符块。

右键单击导入的音频片段，依次选择“AI 工具”与“人声转 MIDI”。

ACE Studio 右键菜单中 AI 工具的人声转 MIDI 选项

3.1.4判断工程是否可用¶

接下来的操作需要一些基础调校知识，例如音高线绘制、辅音长度调节等。本文不会详细介绍这些基础操作；需要了解时，可以在 ACE Studio 官方账号↗中查找相应教程。

得到初步工程后，首先需要通过自己的耳朵判断它是否可用。如果连最基础的“勉强能听”都达不到，就应当考虑重新抽参或更换参考音频。杂音较多、吐字不清晰，或者音域相差太大，都可能导致效果不理想。

确定工程基本可用后，再进行细节修改。这些修改通常没有完全量化的标准，很多时候需要依靠听感判断问题所在。

3.1.5修改音高¶

语调的音高不需要细致到唱歌调校的程度，但整体走向至少不能出错。

第二声通常会出现比较明显的音高上行；
第四声通常会出现比较明显的音高下行；
字与字之间的衔接也需要特别注意；
重音、疑问语气和情绪变化应有相应的音高起伏。

修改没有统一数值标准，最重要的判断依据仍然是你的耳朵。当某一段听起来奇怪时，可以尝试调整音高线：上移效果不好，就试试下移；变化太大，就将曲线画得平缓一些，直到听感更加自然。

3.1.6修改动态和响度¶

ACE Studio 偶尔会出现抽参结果不稳定的情况，因此可能产生音量不统一的问题。可以使用响度参数，将音量突然变大或变小的部分调整到与前后内容接近的水平。

不必追求波形完全一致，重点是避免明显突兀，并保留正常说话应有的强弱变化。

3.1.7调整辅音和元音长度¶

辅音和元音长度同样以听感为主。如果某个字听起来含糊、拖沓或衔接不自然，可以检查：

辅音是否太短，导致吐字不清；
辅音是否太长，导致发音生硬；
元音是否拖得太久；
相邻音符之间是否存在不自然的空隙或重叠。

调整后建议反复试听，并结合前后句判断，而不是只听单个字。

3.1.8导出成品¶

完成修改后，就可以从 ACE Studio 中导出音频，得到需要的语调成品。

2025 年 ACG 音乐会语调工程

仅供学习和交流使用，严禁未经许可进行二次发表。

下载 .acep 工程 ↓

GPT-SoVITS 生成法¶

GPT-SoVITS 是一种更加简便的方法。通常只需要准备好相关模型，通过简单操作就能得到质量不错的音频，比 ACE Studio 抽参方便不少。

不过众所周知我们中术是冷门圈子，目前流传较广的公开模型主要是洛天依，其他歌姬的公开模型很少。

在 2026 年 ACG 音乐会开始前，在 @wingtings↗ 的协助下，我们将上一年纯手工制作的乐正绫主持音频训练成了模型。虽然仍有一些瑕疵，但它已经能够相对稳定地达到这两届音乐会主持音频的效果，我认为在大部分使用场景中已经足够。

使用时请尽量注明模型来源，虽然不标注的话，我大概也发现不了（x）。

VOICE MODEL · V2 PRO

乐正绫 GPT-SoVITS 模型

夸克网盘提取码：Vmit。如果觉得网盘下载麻烦，也可以联系我直接发送。

前往夸克网盘↗

3.2.1基本使用流程¶

本文不会详细介绍 GPT-SoVITS 的安装和具体操作，只简单说明语调制作流程。无论是使用公开模型，还是自己训练模型，都可以在 Bilibili 找到相应教程。

观看 GPT-SoVITS 入门教程视频↗

最常见的操作就是反复生成音频。你可以把这个过程理解成“抽卡”：不断重新生成，直到得到比较满意的结果。也可以修改部分参数后重新生成。整体而言，这是一个操作简单但可能比较耗时的过程。

3.2.2长句效果不好时¶

如果反复生成仍然无法得到满意的音频，可以先尝试缩短句子。长句或结构复杂的句子，生成效果往往不如短句稳定。

可以将长句拆成几段分别生成，然后在宿主软件或音频编辑器中重新合并。合并时，需要重点注意句子之间的停顿时长，避免停顿过长或过短。

3.2.3外语单词念错时¶

生成英文等外语内容时，可能会出现单词读错或发音不清的情况。例如，ACG 音乐会的语调中就遇到过 ACG、VOCALOID 等单词的发音问题。

这时可以采用“拆开生成，最后合并”的方法。以 VOCALOID 为例，可以尝试分别生成 vocal 和 loid。虽然后者不是常规英文单词，但只要最终读音符合需要，就可以作为合成素材使用。

生成完成后，删去 vocal 尾部多余的声音，再将两段音频拼接起来。仔细听可能仍有瑕疵，但通常会比直接生成整个单词有明显改善。

类似的误读在中文中也可能出现。因此，你需要充分发挥想象力，通过换字、拆字、调整断句或重新拼接等方式，凑出一段令自己满意的音频。

后期处理¶

大多数情况下，语调的后期处理要求并不高，因为通常只有人声，没有伴奏。主要需要注意以下两点。

平衡整体音量¶

尽量让整段音频的音量保持稳定，消除突兀变化，同时保留正常说话时的轻重和情绪起伏。

调整句子间隔¶

间隔太长会让语气断裂，太短则显得拥挤。建议结合语义、标点和情绪进行调整，并完整播放检查。

总结¶

以上就是我个人总结的一些语调制作经验。

简单来说，ACE Studio 抽参法需要更多人工修改，但控制空间更大；GPT-SoVITS 生成法操作更加简单，但生成结果存在一定随机性，有时需要多次尝试和后期拼接。

如果你对语调制作感兴趣，欢迎亲自尝试。实际操作过程中遇到问题，也可以随时联系我交流。