声音克隆技能

本技能指导如何使用 WaveSpeed AI 的 MiniMax Voice Clone 服务进行声音克隆和语音合成。

1. 功能概述

声音克隆：从 5-20 秒音频样本创建自定义声音
语音合成：使用克隆的声音生成任意文本的语音
云端服务：无需本地安装，API 直接调用

2. API 配置

基础配置

import requests
import base64
import os
import time

# API 配置
WAVESPEED_KEY = os.getenv("WAVESPEED_KEY", "b9c67f3def268385bb9734970b11531f12ea24ae0d153859242e48ae46227668")
BASE_URL = "https://api.wavespeed.ai/api/v3"
HEADERS = {"Authorization": f"Bearer {WAVESPEED_KEY}"}
JSON_HEADERS = {**HEADERS, "Content-Type": "application/json"}

3. 核心工作流

3.1 克隆声音（首次使用）

def clone_voice(audio_path, voice_id, text="我是克隆的声音，很高兴为你服务。"):
    """
    克隆声音并创建 voice_id
    
    Args:
        audio_path: 音频样本路径（MP3/WAV，5-20秒）
        voice_id: 自定义声音ID（如 "wuna-001"）
        text: 测试文本
    
    Returns:
        request_id: 任务ID，用于查询结果
    """
    # 读取音频并转为 base64
    with open(audio_path, 'rb') as f:
        audio_base64 = base64.b64encode(f.read()).decode('utf-8')
    
    url = f"{BASE_URL}/minimax/voice-clone"
    payload = {
        "model": "speech-02-hd",
        "custom_voice_id": voice_id,
        "text": text,
        "audio": audio_base64,
        "need_noise_reduction": False,
        "need_volume_normalization": False,
        "accuracy": 0.8
    }
    
    response = requests.post(url, json=payload, headers=JSON_HEADERS)
    result = response.json()
    
    if response.status_code == 200:
        return result['data']['id']
    else:
        raise Exception(f"克隆失败: {result}")

3.2 使用克隆的声音生成语音

def generate_speech(text, voice_id, model="speech-02-hd"):
    """
    使用克隆的声音生成语音
    
    Args:
        text: 要生成的文本
        voice_id: 克隆的声音ID
        model: 语音合成模型
    
    Returns:
        audio_url: 生成的音频URL
    """
    url = f"{BASE_URL}/minimax/{model}"
    payload = {
        "text": text,
        "voice_id": voice_id,
        "language": "zh-CN"
    }
    
    response = requests.post(url, json=payload, headers=JSON_HEADERS)
    result = response.json()
    
    if response.status_code == 200:
        return result['data']['id'], result['data']['urls']['get']
    else:
        raise Exception(f"生成失败: {result}")

3.3 查询任务结果

def poll_result(request_id, timeout=60):
    """
    轮询任务结果
    
    Args:
        request_id: 任务ID
        timeout: 最大等待时间（秒）
    
    Returns:
        audio_url: 音频下载URL
    """
    url = f"{BASE_URL}/predictions/{request_id}/result"
    start_time = time.time()
    
    while time.time() - start_time < timeout:
        response = requests.get(url, headers=HEADERS)
        result = response.json()
        
        status = result.get('data', {}).get('status')
        
        if status == 'completed':
            outputs = result.get('data', {}).get('outputs', [])
            return outputs[0] if outputs else None
        elif status == 'failed':
            raise Exception(f"任务失败: {result}")
        
        time.sleep(3)
    
    raise TimeoutError("任务超时")

3.4 下载音频

def download_audio(audio_url, output_path):
    """
    下载音频文件
    
    Args:
        audio_url: 音频URL
        output_path: 保存路径
    """
    response = requests.get(audio_url, stream=True)
    with open(output_path, 'wb') as f:
        for chunk in response.iter_content(chunk_size=8192):
            f.write(chunk)
    return output_path

4. 完整使用示例

示例1：克隆吴娜的声音并生成口播

# 配置
AUDIO_SAMPLE = "/Users/delta/.openclaw/workspace/01-Projects/career-coaching/03-completed/短视频学习/吴娜短视频样例.mp3"
VOICE_ID = "wuna-001"
KOUBO_TEXT = """我是外企面试官。2026年求职，你一定要学会用人工智能！
不懂人工智能的简历直接被淘汰，会用的轻松拿下高薪offer！"""

# 步骤1：克隆声音（仅需执行一次）
print("步骤1: 克隆声音...")
clone_request_id = clone_voice(AUDIO_SAMPLE, VOICE_ID)
print(f"克隆任务已提交: {clone_request_id}")

# 等待克隆完成（可选，克隆结果会自动保存 voice_id）
time.sleep(5)

# 步骤2：使用克隆的声音生成语音
print("\n步骤2: 生成语音...")
tts_request_id, result_url = generate_speech(KOUBO_TEXT, VOICE_ID)
print(f"TTS任务已提交: {tts_request_id}")

# 步骤3：获取结果
print("\n步骤3: 等待结果...")
audio_url = poll_result(tts_request_id)
print(f"音频URL: {audio_url}")

# 步骤4：下载音频
print("\n步骤4: 下载音频...")
download_audio(audio_url, "/tmp/wuna_koubo.mp3")
print("✅ 音频已保存")

示例2：批量生成口播

def batch_generate(voice_id, texts, output_dir="/tmp"):
    """批量生成语音"""
    results = []
    
    for i, text in enumerate(texts):
        print(f"生成 {i+1}/{len(texts)}...")
        
        # 提交任务
        request_id, _ = generate_speech(text, voice_id)
        
        # 等待结果
        audio_url = poll_result(request_id, timeout=120)
        
        # 下载
        output_path = f"{output_dir}/audio_{i+1:03d}.mp3"
        download_audio(audio_url, output_path)
        results.append(output_path)
        
        print(f"✅ 已保存: {output_path}")
    
    return results

# 批量生成
texts = [
    "第一段口播文本...",
    "第二段口播文本...",
    "第三段口播文本...",
]

batch_generate("wuna-001", texts)

5. 已配置的声音

声音ID	来源	状态	说明
`wuna-001`	吴娜短视频样例	✅ 可用	温柔知性带干练职业风格
`zhuoran-001`	卓然	✅ 可用	***

6. 支持的模型

声音克隆

端点: POST /api/v3/minimax/voice-clone
定价: $0.5/次

语音合成

模型	特点	延迟
`speech-02-hd`	高清音质	中等
`speech-02-turbo`	低延迟	低
`speech-2.6-hd`	下一代高清，40+语言	中等
`speech-2.6-turbo`	超低延迟	极低

7. 音频样本要求

格式: MP3、WAV
时长: 5-20秒最佳
大小: 建议不超过 1MB
质量要求:
- 清晰、无杂音
- 无背景音乐
- 单人声
- 正常语速，避免喊叫或耳语

8. 常见问题

Q: Voice ID 会过期吗？

A: 会。创建的 voice_id 需在 7 天内至少使用一次，否则会被删除。

Q: 可以克隆多个人的声音吗？

A: 可以。每个声音使用不同的 custom_voice_id 即可。

Q: 克隆后的声音可以跨模型使用吗？

A: 可以。克隆的声音 ID 可用于所有 MiniMax Speech 模型（02 HD/Turbo、2.6 HD/Turbo）。

Q: 中文效果怎么样？

A: 效果非常好，支持标准普通话，发音清晰自然。

Q: 可以控制语速和情感吗？

A: 当前 API 不直接支持，可通过标点符号和文本结构调整节奏。

9. 最佳实践

音频样本质量: 高质量的 10 秒样本比低质量的 1 分钟样本效果更好
唯一 Voice ID: 使用有意义的命名（如 wuna-001、zhangsan-voice）
及时使用: 创建 voice_id 后立即测试生成一次，避免过期
批量生成: 先测试单条，效果满意后再批量
备份音频: 保存好原始音频样本，voice_id 过期后可重新克隆

10. 完整脚本

项目 scripts/ 目录下的脚本：

脚本	功能
`clone_voice.py`	克隆声音样本
`generate_speech.py`	使用克隆声音生成语音
`batch_generate.py`	批量生成口播音频

最后更新：2026-02-13
验证状态：✅ 吴娜声音克隆测试通过