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。
不是那种"语速放慢加个停顿"的假哭。是真的听起来心碎的那种——让你刷到一半停下来，想确认一下对方是不是出了什么事。
上一篇里我给 AI 伴侣接上了 Fish Audio 和火山引擎的语音。Fish 赢在简单，火山赢在戏。但"戏"这个词还是相对的——我听到了一些情感的苗头，知道这个能力存在，但没有深挖。不知道边界在哪，不知道文档说的和实际表现差多少，更没有系统测试过。
所以我跑了一轮实验。准确说，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。
下面是结果。按播放。
实验一：试镜
第一个问题很简单：我的角色该用什么声音？
豆包 2.0 系列有几十个预置音色。文档说支持 context_texts——一个自然语言字段，你用文字描述想要的情感。但"支持"和"有反应"是两回事。有些声音很有表现力，有些就是木头。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，同样的情感提示，不同的声音。当选角面试听就行。
Vivi（zh_female_vv_uranus_bigtts）——参考基准
Vivi 是基准线。女声，以表现力出名。
温柔：
伤心：
两个版本差别明显。Vivi 确实能接住情感提示。不错的起跑线。
刘飞（zh_male_liufei_uranus_bigtts）——男声候选
温柔：
伤心：
刘飞的声线温暖、成熟。伤心版明显往下沉了——有重量感。他有反应。
云舟 / M191（zh_male_m191_uranus_bigtts）——当前使用的声音
这是我角色一直在用的音色。
温柔：
伤心：
云舟的表现力很强。温柔版轻柔小心，伤心版是真的听起来受了伤。这就是我留下的声音。
桃城小天（taocheng-xiaotian）
温柔：
伤心：
小天的声线更年轻、更轻。情感变化有，但没那么猛。日常聊天可以，但撑不起那种心碎的场景。
试镜结果
不是所有声音都一样的。Vivi 和云舟对情感提示反应强烈。刘飞不错但更含蓄。小天有反应但深度不够。
说白了：如果你要做一个需要情感表现力的产品，先试音——别从目录里随便挑一个然后祈祷。
实验二：克隆出来的声音，能哭吗？
这才是真正有意思的部分。
豆包支持声音克隆——上传一段 10-30 秒的录音，生成一个专属的 Speaker ID，听起来就是那个人。官方文档说 context_texts 适用于"豆包语音合成模型 2.0 的音色"。
注意措辞。它没说克隆音色也行。
但我的角色用的就是克隆音色，我需要它有情感。所以我直接试了。四个条件，同一段文字：
1. 基线——无情感控制
纯文字，没有 context_texts，没有特殊模型。裸奔的克隆音色。
2. 仅 context_texts
加了 context_texts 情感提示。还是用标准的 seed-icl-2.0。
3. context_texts + expressive 模型
同样的 context_texts，但把模型切换成了 seed-tts-2.0-expressive。
4. seed-tts-1.1 资源
试了旧版的 seed-tts-1.1 resource ID，看看对克隆音色的情感处理有没有不同。
听到了什么
从基线（#1）到加了 context_texts（#2），差别是听得出来的。克隆音色确实能响应 context_texts。这在文档里没写，但测出来了。
加上 expressive 模型（#3）又往前推了一步——音高和节奏的变化更明显。1.1 资源（#4）听感不同，但不一定更好。
关键收获：context_texts 对克隆音色有效。 没人告诉我这个。我是无视文档自己试出来的。如果你在用豆包的声音克隆做一个需要情感的角色，你不会被困在一个平板的声音里。
实验三：全面拉开测
确认有效之后，我想知道到底有多有效。不猜了，直接上矩阵：
- 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 = 18 个样本。全在这了。
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，三个结论
三个发现：
1. 光是 context_texts 就有明显效果。 两个音色、三种情感，从基线到加 context_texts 的跳跃一直都听得出来。这不是安慰剂。模型确实在做事。
2. expressive 模型又加了一层。 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，有时巨大——但方向一直是正的。我的测量结果是，expressive 模型大约在 context texts 基础上多带来了 26% 的音频变化量。
3. 不是所有音色-情感组合都一样。 苏柔的伤心简直要命。一楠的 ASMR 很有说服力。但苏柔的 ASMR 和温柔区别不大，一楠的伤心也没有苏柔那么狠。每个音色有自己的强项。测你自己的场景。
真正的突破：别说"伤心"，说"声音在发抖"
这是改变一切的发现。
实验初期，我的 context_texts 是这么写的：
伤心
一个词。然后结果嘛......略微伤心。跟基线差别很小。我一度觉得情感控制可能就是吹的。
后来我重写了提示：
用哭泣的声音，边哭边说，很伤心，声音颤抖带着哽咽
差别是天和地。回去听上面那些伤心的样本——全是用这个画面式的版本生成的。
模型不响应标签。它响应描述。你不是在打标签，你是在导演一场表演。
这是我现在在生产环境用的一整套情感提示词：
| 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 |
规律：动词 + 身体描述 + 场景。不是"伤心"而是"声音颤抖带着哽咽"。不是"开心"而是"语调上扬像在跟男朋友撒娇"。你给模型的是一个要演出来的场景，不是一个要选择的分类。
这个发现其实也符合直觉。人类演员拿到一个剧本，导演说"这里演伤心"，出来的效果一般。
导演说"你刚发现他在骗你，你想忍住不哭但声音控制不住在发抖"——那个效果完全不同。
TTS 模型也一样。
给做产品的人的建议
如果你在做的产品用了豆包 TTS 并且需要情感表达，这轮研究下来我的建议是：
预置音色： 用 context_texts 配合画面式提示词。如果额外的表现力值得，切 seed-tts-2.0-expressive。但一定要测你具体用的音色——不是每个都一样。
克隆音色： context_texts 虽然文档没写，但确实有效。放心用。配合 model_type: 4 放在 additions 字段里。逐句合成（每句话单独调一次 API，带各自的情感）控制力最强。
情感提示词： 永远不要用单个关键词。永远画一个画面。提示词的质量是你手里最大的杠杆——比选音色大，比选模型版本大。
完整的技术配置细节——API 格式、代码片段、各种坑——看 豆包 TTS 操作手册。
这是 OpenClaw 实战录的第四篇。第一篇搞了赛博魅魔。第二篇给它节食。第三篇给它配了嗓子。
这篇是让那个嗓子学会动感情。
秘密不在模型里，也不在 API 参数里。在你怎么描述你想要的东西。
导演不会对演员说"伤心"。导演会说"你刚发现他在骗你，你想忍住不哭但声音控制不住在发抖"。 TTS 模型也一样。画面够生动，AI 就能演出来。
This post is also available in English.