FlowSpeech

什么是 FlowSpeech？

FlowSpeech 是一款 AI 驱动的文本转语音 (TTS) 工作室，可将书面文本转换为拟人音频。它注重上下文感知表达，让您控制情感和时机，使输出更具表现力并更好地匹配脚本。

该工具支持多种生成模式，包括独白、多说话者对话和快速“即时”结果。它还接受常见文档和图像输入，提取文本，并从中生成 TTS 音频。

主要功能

• 上下文感知 TTS 生成：分析情感、时机和脚本细微差别，指导更合适的表达。
• 情感和口音控制：使用括号指令（例如 [whisper]、[shout]、[strong British accent]），让您引导台词表演方式。
• 精确停顿控制：在文本中插入停顿标签，如 [⌛1.0s]，直接控制节奏和节拍。
• 单说话者、多说话者和即时模式：选择 Single Speaker 用于独白，Multi Speaker 用于对话，或 Instant Speech 用于更快生成。
• 自动标记和声音匹配：
  • 在 Single Speaker 模式下，FlowSpeech 阅读上传文件，分析语气，并自动插入情感标签。
  • 在 Multi Speaker 模式下，它检测文本中的不同说话者，拆分脚本，并将片段与合适的 AI 声音配对。
• 丰富的语音和语言覆盖：提供 30+ TTS 声音，涵盖多种风格和 70+ 语言。
• 长文本连续渲染限制：每次渲染处理最多 200k 字符。
• 文档和图像摄入：支持 PDF、DOC、DOCX、PPT、PPTX、TXT、RTF、EPUB 和 图像文件 用于文本提取和转换。

如何使用 FlowSpeech

1. 选择生成模式：使用 Single Speaker 进行单叙述者，Multi Speaker 用于对话，或 Instant Speech 用于快速输出。
2. 提供文本：粘贴脚本，或 上传 支持的文件类型（PDF、DOC/DOCX、PPT/PPTX、TXT、RTF、EPUB 或图像）。
3. 添加表演提示：使用括号标签插入情感/口音命令，如 [ ]，并添加停顿标签如 [⌛1.0s] 来控制时机。
4. 选择声音：从可用 TTS 声音中挑选，然后生成音频。

使用场景

• 有声书叙述：将小说、教科书或文章转换为长篇音频，支持节奏和情感感知表达，适合逐章收听。
• 视频配音：为解说视频、脚本或分段录音生成口语叙述，控制停顿和语气至关重要。
• 播客式多说话者对话：让 FlowSpeech 拆分对话脚本并匹配合适声音，转换为多声音录音。
• 教育叙述：从课程材料提取文本，添加必要时机提示，生成易读、富有表现力的音频。
• 角色声音和脚本表演：使用括号指令切换表达风格（例如 whisper/shout）和口音，同时保持对话自然。

常见问题

• 如何在 FlowSpeech 中添加停顿？

  在文本中使用停顿标签，例如 [⌛1.0s]，来控制时机和节奏。

• 如何添加情感或口音？

  使用括号命令，如 [whisper]、[shout] 或 [strong British accent]，指示声音表演方式。

• Single Speaker 和 Multi Speaker 模式有何区别？

  Single Speaker 用于独白，分析语气后自动插入情感标签。Multi Speaker 适用于对话，自动拆分说话者和配对合适 AI 声音。

• FlowSpeech 支持哪些输入格式？

  可从 PDF、DOC、DOCX、PPT、PPTX、TXT、RTF、EPUB 和 图像文件 提取文本，或直接粘贴文本。

• 单次渲染脚本最长可达多少？

  FlowSpeech 每次渲染处理最多 200k 字符。

替代方案

• 通用文本转语音工具，支持手动 SSML 控制：这些工具提供标准声音合成功能，但通常需通过更技术化的标记流程手动处理情感/停顿时机，而非上下文感知情感标签。
• 专注于配音创建的视频叙述工具：许多支持导入脚本并生成叙述，但内置表演控制（情感/口音和精确停顿标签）可能较少，视平台而定。
• AI 有声书或电子学习声音平台：这些针对长文本阅读；与 FlowSpeech 相比，多说话者处理、语言/声音数量或脚本标记的便利性可能有不同权衡。