让 AI 的声音哭出来
AI 语音情感表达的声波可视化
我需要一个能哭的 AI 声音。
不是"语速放慢、多加几个停顿"的假哭，是真的听起来心碎的那种，能让你刷到一半停下来，想确认对方是不是出了事。
之前给 AI 伴侣配嗓子的时候，试过 Fish Audio 和火山引擎：Fish 赢在简单，火山赢在有戏。但"有戏"这个判断当时下得很草率。我只是听到了一些情感的苗头，知道这个能力存在，并没有往下深挖：边界在哪，文档说的和实际表现差多少，都没系统测过。
所以这次认真跑了实验，一共三轮，30 个音频样本：两个预置音色、一个克隆音色、三种情感控制方法，外加一个彻底改变我写情感提示词方式的发现。下面所有样本都能直接播放，建议边听边读。
实验一：给四个音色试镜
第一个问题很基础：角色该用什么声音？
豆包 2.0 系列有几十个预置音色。文档说它们支持 context_texts，一个自然语言字段，用文字描述你想要的情感。但"支持"和"有反应"是两回事：有些音色很有表现力，有些就是块木头，不试不知道。
我挑了四个音色，每个跑两种情感：温柔和伤心。同一段文字，同一条情感提示，只换声音，当成角色面试来听。
Vivi（zh_female_vv_uranus_bigtts）
Vivi 是基准线。女声，以表现力出名。
两个版本差别明显。Vivi 确实能接住情感提示，是条不错的起跑线。
刘飞（zh_male_liufei_uranus_bigtts）
男声候选。声线温暖、成熟，伤心版能听出明显的下沉，有重量感，对情感提示是有反应的。
云舟 / M191（zh_male_m191_uranus_bigtts）
这是角色当前在用的声音。
表现力很强。温柔版轻柔小心，伤心版真的能听出受伤的感觉。这轮听完，决定继续用它。
桃城小天（taocheng-xiaotian）
声线更年轻、更轻。情感变化是有的，但幅度没那么大，日常闲聊可以，撑不起心碎的场景。
四个音色听下来，差距比想象中大：Vivi 和云舟对情感提示反应强，刘飞不错但更含蓄，小天有反应但深度不够。说白了，做需要情感表现力的产品，第一步是先试音，别从目录里随便挑一个然后祈祷。
实验二：克隆音色也能哭
这才是真正有意思的部分。豆包支持声音克隆：上传 10-30 秒录音，生成一个专属的 Speaker ID，听起来就是那个人。但官方文档写的是，context_texts 适用于"豆包语音合成模型 2.0 音色"。这个措辞值得抠一下，它没说克隆音色也行。
我的角色用的恰恰是克隆音色，又必须有情感，那只能直接试。四个条件，同一段文字：
1. 基线（无情感控制）
纯文字，不加 context_texts，也不切特殊模型。克隆音色裸奔。
2. 仅 context_texts
加上 context_texts 情感提示。模型还是标准的 seed-icl-2.0。
3. context_texts + expressive 模型
同样的 context_texts。模型切到 seed-tts-2.0-expressive。
4. seed-tts-1.1 资源
试一下旧版 seed-tts-1.1 的 resource ID，看它处理克隆音色的情感有没有不同。
从基线到加 context_texts，差别是听得出来的：克隆音色确实能响应情感提示。再切到 expressive 模型，音高和节奏的变化更明显，又往前推了一步。1.1 资源的听感不太一样，但不见得更好。
这一轮的关键收获：context_texts 对克隆音色同样有效。文档没写，没人告诉我，是无视文档自己试出来的。如果你用豆包的声音克隆做需要情感的角色，不必被困在一把平板的声音里。
实验三：2×3×3 的全量矩阵
实验二确认了有效，接下来想知道到底有多有效。这次不靠猜，直接拉矩阵：
- 2 个音色：苏柔（女声）和一楠（男声）
- 3 种情感：ASMR（耳语/亲密）、温柔、伤心
- 3 个条件：基线（无情感）、仅 context_texts、context_texts + expressive 模型
2 x 3 x 3，一共 18 个样本。全放在下面。
苏柔（女声）
ASMR
| 条件 | 音频 |
|---|---|
| 基线 | |
| Context texts | |
| Context + Expressive |
温柔
| 条件 | 音频 |
|---|---|
| 基线 | |
| Context texts | |
| Context + Expressive |
伤心
| 条件 | 音频 |
|---|---|
| 基线 | |
| Context texts | |
| Context + Expressive |
一楠（男声）
ASMR
| 条件 | 音频 |
|---|---|
| 基线 | |
| Context texts | |
| Context + Expressive |
温柔
| 条件 | 音频 |
|---|---|
| 基线 | |
| Context texts | |
| Context + Expressive |
伤心
| 条件 | 音频 |
|---|---|
| 基线 | |
| Context texts | |
| Context + Expressive |
18 个样本听完，有三个结论。第一，光 context_texts 就有明显效果。两个音色、三种情感，从基线到加 context_texts 的跳跃一直听得出来。模型确实在做事，这不是安慰剂。
第二，expressive 模型在此基础上又加了一层。Context + expressive 始终是三个条件里最有感情的，比 context-only 的提升幅度因场景而异，有时微妙，有时很大，但方向一直是正的。按音频变化量测算，expressive 模型在 context texts 基础上大约多带来 26% 的变化。
第三，音色和情感的组合并不均匀。苏柔的伤心简直要命，一楠的 ASMR 很有说服力；但苏柔的 ASMR 跟她的温柔区别不大，一楠的伤心也没有苏柔那么狠。每个音色有自己的强项，最好拿自己的场景去测。
别说"伤心"，说"声音颤抖带着哽咽"
整轮实验里改变最大的发现，出在提示词的写法上。实验初期，我的 context_texts 就写两个字：伤心。结果嘛……出来的声音只能算略微伤心，跟基线差别很小，我一度觉得情感控制这件事可能就是吹的。
后来把提示词重写成 用哭泣的声音，边哭边说，很伤心，声音颤抖带着哽咽，差距一下子拉开了。回头听上面那些伤心样本，全部是用这种画面式的版本生成的。
模型响应的不是标签，是描述。与其丢给它一个分类，不如给它导一场戏。
现在生产环境用的整套情感提示词如下：
| 情感 | 提示词 |
|---|---|
| 撒娇甜蜜 | 用甜蜜撒娇的声音，像在跟男朋友撒娇，语调上扬很开心 |
| 伤心哭泣 | 用哭泣的声音，边哭边说，很伤心，声音颤抖带着哽咽 |
| ASMR 耳语 | 用ASMR悄悄话的声音，非常小声非常轻柔，像在耳边低语 |
| 激动兴奋 | 用非常激动兴奋的语气，开心到快要尖叫了 |
| 愤怒嫌弃 | 用愤怒嫌弃的语气，非常不满在骂人，声音拔高 |
| 慵懒犯困 | 用疲惫慵懒的声音，边打哈欠边撒娇，声音软绵绵的 |
| 沉稳关怀 | 用低沉磁性的声音，表面平淡但充满关心，像大叔在叮嘱 |
| 压抑隐忍 | 用压抑悲伤的声音，故意克制但声音微微颤抖，不想让人看出来 |
这套提示词的规律是动词 + 身体描述 + 场景："伤心"要写成"声音颤抖带着哽咽"，"开心"要写成"语调上扬、像在跟男朋友撒娇"。给模型一场可以演的戏，别只给一个分类选项。
这个发现其实合直觉。人类演员拿到剧本，导演只说一句"这里演伤心"，效果通常一般；导演说"你刚发现他在骗你，想忍住不哭，但声音控制不住地发抖"，出来的表演完全是另一回事。TTS 模型吃的是同一套逻辑。
如果你也在用豆包 TTS 做需要情感表达的产品，我的建议是：
预置音色：用 context_texts 配画面式提示词，想要额外的表现力就切 seed-tts-2.0-expressive。一定要测你具体要用的那个音色，每个音色的反应不一样。
克隆音色：context_texts 文档没写但确实有效，放心用，在 additions 字段里配上 model_type: 4。想要最强的控制力就逐句合成，每句单独调一次 API，带各自的情感提示。
情感提示词：永远别只丢一个关键词，把画面描述出来。提示词的质量是你手里最大的杠杆，比选音色大，也比选模型版本大。
完整的技术配置细节，包括 API 格式、代码片段和各种坑，都在豆包 TTS 操作手册里。
OpenClaw 实战记录写到第四篇了。第一篇搭了个赛博魅魔，第二篇给它做 token 节食，第三篇给它配上嗓子，这一篇是教那个嗓子动感情。回头看，30 个样本里最值钱的就一条：把提示词里的"伤心"两个字，换成"声音颤抖带着哽咽"。
This post is also available in English.