Auk-TTS一键启动运行工具

主要提供文本转语音、声音克隆、文字描述音色设计和指令式音频编辑增强，支持超长TXT批量配音、参考裁剪降噪、音色库、中英语言与语速设置、任务恢复、WAV输出和API接口。

整合包已内置Python、CUDA、cuDNN等所需运行环境，按包内说明启动即可，无需自行逐项搭建。请保留完整目录与配套文件；电脑仍需具备可用且符合运行要求的NVIDIA显卡驱动。

本工具面向6G低显存与老N卡提供使用选择。建议先用短文案试做，缩短每段字数、按需开启节省显存，并让识别和降噪使用CPU。实际可处理长度和速度受显卡、驱动、系统内存与任务设置影响。

当前程序的语音合成、音色设计和音频编辑需要NVIDIA GPU，不能切换为CPU合成。CPU可用于参考音频识别与降噪；硬件设置中的CPU线程数也不会把合成改成CPU模式。

建议使用3—15秒清晰、稳定的单人录音，尽量避开明显噪声、背景配乐和多人重叠说话。可以先在工具中裁剪、降噪和试听，再输入需要朗读的新文案。克隆效果会受参考录音质量影响。

无需强制填写。需要留档或核对时，可点击识别文字，再到音色库查看、修改和保存参考文字。录音内容与新文案分别使用，不必把参考录音说过的话当成新配音内容。

不需要。选择音色设计，在配音文字区填写需要朗读的内容，在声音描述中写音色、年龄感、语气和用途。先试听一小段，再根据结果调整描述，更容易找到合适的声音方向。

可以在高级设置中开启“克隆时附加描述”，再填写更加欢快、沉稳清晰等风格要求。它是对表达方式的引导，建议通过短句试听确认效果，再应用到完整文稿。

选择音频编辑，导入待处理音频，在输入区填写明确要求，例如“保持内容不变，让声音更沉稳清晰”或“减少背景噪声，保留说话内容”。开始处理后结果另存为新的WAV，建议与原音频对照试听。

可围绕内容、音色、语气、语速、响度或语音清晰度提出要求。具体效果取决于输入音频和模型对指令的理解，不能保证每次都精确保留所有细节；建议一次只修改一个主要目标并核对结果。

桌面端无需手动逐段拆分，直接输入长文或选择TXT，工具会自动分段生成，并将每份文稿保存为对应的完整WAV。可以调节每段字数和段间停顿；特别长的任务仍需预留足够时间和磁盘空间。

支持。切换批量文件，选择多个TXT、拖入路径或选择目录；需要读取下级目录时勾选遍历子目录，再按需保持目录结构。统一设置音色、语言与输出位置后依次处理，每份TXT生成对应音频。

当前克隆与音色设计的批量输入为TXT，也可以直接粘贴文字。Word、PDF或SRT请先整理为需要朗读的纯文本，再保存为TXT或粘贴到输入区；本工具没有按字幕时间轴配音的专用入口。

可以。选择音频编辑和批量文件，加入多个音频或文件夹，在输入区填写统一的编辑指令。该批次所有音频使用同一要求，输出各自的新WAV；不同修改目标建议分别建立批次。

两者不同。长文本有自动分段配音功能；音频编辑按每个输入音频处理，没有同样的长音频自动分段编辑流程。建议先用短片段确认效果，较长录音按任务需要预先整理。

支持WAV、MP3、FLAC、OGG、M4A、WEBM、AAC和WMA等格式，每个输入音频文件不超过64 MiB。能否读取还取决于实际编码和文件完整性，失败时可在日志中查看原因。

克隆与设计可选中文或英语，语速为0.5—2倍，第一次建议1.0。目标秒数设0自动估算，其他值按每段文本计算；编辑模式按每个音频计算，且不使用朗读语言和语速选项。

不能直接把整篇长文锁定为该时长。它针对每个生成片段，音频编辑时针对每个输入音频；设置过短可能导致内容不完整。首次保持0，先确认内容和语速，再按需要调整。

段间停顿用于控制长文片段之间的空隙；淡入淡出和首尾静音设置用于调整衔接。首部、尾部保留适当余量可保护首字与尾音，参数过大或裁剪过强可能削弱发音，建议先试听。

选择参考录音后打开音色库，填写名称，可一并保存参考文字。下次直接从已保存音色中选择即可。删除音色条目会移除库中的副本，输入的原始参考文件不受影响。

第一次点击停止会等待当前片段结束；再次点击强制停止会结束后台。已完成文件与已保存片段会保留，可在查看日志中恢复批次或重试失败。恢复沿用原设置，请保留任务及中间文件；修改原文或参考音频后应新建批次。

结果保存为WAV，重名自动增加编号，不覆盖已存在文件。每份文本对应一份完整音频，超过普通WAV容量时使用RF64 WAV；当前没有直接选择MP3输出的选项，需要时可后续转换。

API支持文本转语音、声音克隆、音色设计、音频编辑，以及音色管理、识别与降噪等调用。单次JSON合成文本最多10000字，上传最多64 MiB；更长文本建议使用桌面批量处理。具体参数可在工具的开放接口说明中查看。

当前桌面与API共享计算资源，一次处理一个任务，忙碌时新请求会提示忙碌。语音接口完成后返回音频；当前程序没有供用户使用的实时麦克风变声或流式边生成边播放入口。

模型计算和音频结果在本机完成与保存，但账号登录、任务及接口权限验证需要联网。API可选择仅本机或局域网访问，调用使用独立接口密钥；关闭程序后接口停止。

总进度统计已处理文件，其中包含失败项，请用日志或CSV清单核对状态。TXT默认自动识别编码，乱码时可手动选择UTF-8、GB18030、UTF-16或UTF-32；修正设置或素材后重新建立任务。

支持Windows 10/11（64位），语音合成、音色设计和音频编辑使用NVIDIA GPU。当前网站关联的软件记录为免费使用，启动及执行任务需登录一可软件账号。