我把豆包 TTS 的情感控制测了一遍
AI 语音情感表达的声波可视化
这段时间在给 AI 伴侣调语音，需求很具体：角色得能哭。不是把语速放慢、多加几个停顿那种，是真的听起来在哭，声音里有心碎的感觉的那种。
之前给 AI 伴侣配嗓子的时候试过 Fish Audio 和火山引擎，当时的结论大概是 Fish 简单，火山的情感表现更好。但说实话那个判断下得很草率，我只是听到了一点情感的苗头，知道这个能力存在，没有往下挖：边界在哪，文档说的和实际表现差多少，都没系统测过。
所以这次认真跑了一轮实验，一共三轮，30 个音频样本：预置音色、克隆音色、三种情感控制方法都测了，最后还有一个发现直接改了我写情感提示词的方式。下面所有样本都能直接播放，建议边听边读。
实验一：先把预置音色测一遍
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，就是一个自然语言字段，你用文字描述想要的情感。但文档说支持是一回事，音色有没有反应是另一回事，有的音色对情感提示反应很强，有的基本没反应，这个不试是不知道的。
具体做法是这样的：挑四个音色，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，对比着听。
Vivi（zh_female_vv_uranus_bigtts）
Vivi 是基准线。女声，以表现力出名。
两个版本差别很明显。Vivi 确实能接住情感提示，起点不错。
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。这一轮我主要就是想看它跟另外几个比起来怎么样。
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。这轮听完我就决定继续用它了。
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，日常闲聊够用，撑不起心碎的场景。
四个音色听下来，差距比我想的大：Vivi 和云舟反应强，刘飞不错但更含蓄，小天有反应但深度不够。所以要做需要情感表现力的产品，第一步是把候选音色都拿情感提示测一遍，不能从目录里随便挑一个就开始用，音色之间的差距真的很大。
实验二：克隆音色能不能吃情感提示
这部分是我最想搞清楚的。豆包支持声音克隆，上传 10-30 秒录音，生成一个专属的 speaker id，出来的声音就是那个人。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」。这个措辞要抠一下：它没说克隆音色也行。
我的角色恰恰用的是克隆音色，又必须有情感，那只能自己试。试法是四个条件，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。克隆音色本来是什么样就是什么样。
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，跟 2.0 有没有不同。
结果是这样的：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。
从基线到加 context_texts 再到加 expressive 模型，三层依次叠加，情感表达一层比一层强。
这一轮的收获就一条：context_texts 对克隆音色同样有效。文档没写，也没人告诉我，是我自己试出来的。反正如果你在用豆包的声音克隆做需要情感的角色，这个字段可以直接用，克隆音色不是只能出一把平的声音。
实验三：拉一个 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。这次不猜了，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_texts + expressive |
温柔
| 条件 | 音频 |
|---|---|
| 基线 | |
context_texts | |
context_texts + expressive |
伤心
| 条件 | 音频 |
|---|---|
| 基线 | |
context_texts | |
context_texts + expressive |
一楠（男声）
ASMR
| 条件 | 音频 |
|---|---|
| 基线 | |
context_texts | |
context_texts + expressive |
温柔
| 条件 | 音频 |
|---|---|
| 基线 | |
context_texts | |
context_texts + expressive |
伤心
| 条件 | 音频 |
|---|---|
| 基线 | |
context_texts | |
context_texts + expressive |
18 个样本听完，我的结论有三个。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 的差别一直听得出来，模型确实在响应这个字段，不是安慰剂。
第二，expressive 模型在这个基础上又加了一层。context + expressive 一直是三个条件里最有感情的，比只加 context_texts 的提升幅度看场景，有时候小，有时候大，但方向一直是正的。我拿音频变化量粗算过一下，expressive 大概再多 26% 左右，跟听感对得上。
第三，音色和情感的组合不均匀。苏柔的伤心效果特别强，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到位。每个音色有自己的强项，最好拿你自己的场景去测。
提示词怎么写，差别比选音色还大
整轮实验里对我改变最大的发现，出在提示词的写法上。实验初期我的 context_texts 就写两个字：「伤心」。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个能力可能就是宣传。
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」，差距一下子就拉开了。上面那些伤心样本，全部是用这种画面式的版本生成的。
把提示词从「伤心」这个标签改写成「声音颤抖带着哽咽」的画面描述，模型的情感表达从几乎没变化跳到情感拉满。
模型响应的不是「伤心」这种分类标签，是具体的描述。你要把这个情感落到声音上是什么样子，用文字写出来。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」。写的时候把这个情感的声音画面描述出来，不要只给一个分类。
这个事其实好理解，就跟给演员说戏一样，光喊一句「演伤心」是没用的，得把戏讲具体了人家才演得出来。
如果你也在用豆包 TTS 做需要情感表达的产品，我的建议大概是三条。三条都是这轮实验直接换来的：
-
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：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。这篇就不重复贴了。
OpenClaw 实战记录写到第四篇了。想从头看的话：第一篇讲怎么搭这个赛博魅魔，token 成本的坑都在第二篇里，语音这条线是第三篇开的头，这篇接着往下讲情感这部分。上面那张提示词表就是现在生产环境实际在用的版本，拿去直接用就行。
This post is also available in English.
