儿童设备语音选型实战：用 Fish Audio drama-3 自建声音全流程
NERDDISCO · x · 2026-10-29
- 团队为 6–12 岁儿童使用的终端设备做语音，原用 ElevenLabs，但与其团队沟通后确认其服务条款不适用于儿童设备，于是转测多个开源权重模型，最终选定 Fish Audio 的 drama-3。
- 自建声音四步流程：①用 prompt 描述声音画像（如「25 岁 cheerful 二年级老师」）让 drama-3 生成约 26 秒样本，反复生成直到选中；②修剪出 10–30 秒干净「golden clip」（实测 30 秒克隆效果最好），必要时用均衡器修音；③用清洗后的音频克隆出 voice.json（约 30 KB，权重不变，这个文件就是「声音」）；④在服务器（NVIDIA RTX PRO 6000 96GB）上用 voice.json 服务，drama-3 读取声音编码后续写新内容再解码回音频流。
- 配图以手绘信息图完整展示了 design→clone→serve 全链路，含克隆与生成阶段 codec 行为差异等细节。