虚拟歌姬
语调制作简易教程
前言
大家好，我是洛叶，平时会摸鱼调些歌。欢迎关注我的 Bilibili 主页。
在正式开始之前，先简单介绍一下什么是“语调”。顾名思义，语调就是让这些原本负责唱歌的家伙能够开口说话。2025、2026 两届 ACG 音乐会的主持音频，均采用语调的方式制作。
本文会简单介绍音乐会中采用的语调制作方法及相关工具。文中可能存在介绍不够详细或内容有误的地方，欢迎大家指出。
准备工作
开始制作语调之前，需要根据采用的方法准备相应的软件和素材。
ACE Studio
本文主要使用的抽参工具。第一次接触的朋友，可以先通过官方试用判断它是否适合自己的需求，也可以自行在闲鱼等平台寻找非官方购买渠道，但请注意核实授权有效性、账号安全和交易风险。
官方账号与教程VOCALOID4 编辑器
另一种方法是在 VOCALOID4 编辑器中直接调校。@寒天集萤 老师曾在去年的“依言依语”语调活动中编写过相关教程。不过活动群已经解散，我也没有保存当时的 PPT，因此暂时无法附上资料。
如果有朋友仍然保存着相关 PPT，欢迎联系我。经原作者许可后，我会将资料补充到这里。
具体方法
本文主要介绍两种制作方式：使用 ACE Studio 抽取参数后人工修改，或使用 GPT-SoVITS 模型直接生成音频。
ACE Studio 抽参法
2025 年 ACG 音乐会采用的是现有的洛天依模型，以及通过 ACE Studio 抽参制作的乐正绫语调。
3.1.1准备参考音频
假设你已经有一段需要制作成语调的文本，首先需要准备一段念出这段文本的参考音频。
如果你希望使用女声声库制作语调，参考音频最好也采用女声。男声音频对歌姬来说往往偏低，抽参后可能出现工程音高线乱飞的情况，从而明显增加后续修改的工作量。
- 人声清晰，环境杂音较少
- 吐字清楚
- 语速和情绪符合预期
- 音高不明显超出目标声库的舒适音域
3.1.2什么是抽参
“抽参”可以简单理解为：将音频中的人声转换成 MIDI 音符块，并提取其中的音高变化。
目前我主要推荐 ACE Studio。其他编辑器，例如 Synthesizer V，也有类似功能，但就我个人的使用体验而言，效果并不如 ACE Studio 理想。
除了较好地还原音高，ACE Studio 的抽参功能也能保留一部分说话时的动态。这里可以将“动态”简单理解为声音的抑扬顿挫——说话如果完全没有起伏，听起来通常会不太自然。
3.1.3在 ACE Studio 中进行抽参
- 01导入音频
将准备好的参考音频直接拖入工程。
- 02打开 AI 工具
右键单击音频片段，在菜单中选择“AI 工具”。
- 03人声转 MIDI
选择“人声转 MIDI”，等待软件完成处理并检查音符块。
3.1.4判断工程是否可用
接下来的操作需要一些基础调校知识，例如音高线绘制、辅音长度调节等。本文不会详细介绍这些基础操作；需要了解时，可以在 ACE Studio 官方账号中查找相应教程。
得到初步工程后，首先需要通过自己的耳朵判断它是否可用。如果连最基础的“勉强能听”都达不到，就应当考虑重新抽参或更换参考音频。杂音较多、吐字不清晰，或者音域相差太大，都可能导致效果不理想。
确定工程基本可用后，再进行细节修改。这些修改通常没有完全量化的标准，很多时候需要依靠听感判断问题所在。
3.1.5修改音高
语调的音高不需要细致到唱歌调校的程度，但整体走向至少不能出错。
- 第二声通常会出现比较明显的音高上行；
- 第四声通常会出现比较明显的音高下行；
- 字与字之间的衔接也需要特别注意；
- 重音、疑问语气和情绪变化应有相应的音高起伏。
修改没有统一数值标准，最重要的判断依据仍然是你的耳朵。当某一段听起来奇怪时，可以尝试调整音高线：上移效果不好，就试试下移；变化太大，就将曲线画得平缓一些，直到听感更加自然。
3.1.6修改动态和响度
ACE Studio 偶尔会出现抽参结果不稳定的情况，因此可能产生音量不统一的问题。可以使用响度参数，将音量突然变大或变小的部分调整到与前后内容接近的水平。
不必追求波形完全一致，重点是避免明显突兀，并保留正常说话应有的强弱变化。
3.1.7调整辅音和元音长度
辅音和元音长度同样以听感为主。如果某个字听起来含糊、拖沓或衔接不自然，可以检查：
- 辅音是否太短，导致吐字不清；
- 辅音是否太长，导致发音生硬；
- 元音是否拖得太久；
- 相邻音符之间是否存在不自然的空隙或重叠。
调整后建议反复试听，并结合前后句判断，而不是只听单个字。
3.1.8导出成品
完成修改后，就可以从 ACE Studio 中导出音频，得到需要的语调成品。
2025 年 ACG 音乐会语调工程
仅供学习和交流使用，严禁未经许可进行二次发表。
GPT-SoVITS 生成法
GPT-SoVITS 是一种更加简便的方法。通常只需要准备好相关模型，通过简单操作就能得到质量不错的音频，比 ACE Studio 抽参方便不少。
不过众所周知我们中术是冷门圈子，目前流传较广的公开模型主要是洛天依，其他歌姬的公开模型很少。
洛天依 GPT-SoVITS 模型｜13 周年生日会语音生成模型
由 Bilibili 用户“只想干饭的麦克斯韦妖”制作。夸克网盘提取码：pUfE。
在 2026 年 ACG 音乐会开始前，在 @wingtings 的协助下，我们将上一年纯手工制作的乐正绫主持音频训练成了模型。虽然仍有一些瑕疵，但它已经能够相对稳定地达到这两届音乐会主持音频的效果，我认为在大部分使用场景中已经足够。
使用时请尽量注明模型来源，虽然不标注的话，我大概也发现不了（x）。
乐正绫 GPT-SoVITS 模型
夸克网盘提取码：Vmit。如果觉得网盘下载麻烦，也可以联系我直接发送。
3.2.1基本使用流程
本文不会详细介绍 GPT-SoVITS 的安装和具体操作，只简单说明语调制作流程。无论是使用公开模型，还是自己训练模型，都可以在 Bilibili 找到相应教程。
最常见的操作就是反复生成音频。你可以把这个过程理解成“抽卡”：不断重新生成，直到得到比较满意的结果。也可以修改部分参数后重新生成。整体而言，这是一个操作简单但可能比较耗时的过程。
3.2.2长句效果不好时
如果反复生成仍然无法得到满意的音频，可以先尝试缩短句子。长句或结构复杂的句子，生成效果往往不如短句稳定。
可以将长句拆成几段分别生成，然后在宿主软件或音频编辑器中重新合并。合并时，需要重点注意句子之间的停顿时长，避免停顿过长或过短。
3.2.3外语单词念错时
生成英文等外语内容时，可能会出现单词读错或发音不清的情况。例如，ACG 音乐会的语调中就遇到过 ACG、VOCALOID 等单词的发音问题。
这时可以采用“拆开生成，最后合并”的方法。以 VOCALOID 为例，可以尝试分别生成 vocal 和 loid。虽然后者不是常规英文单词，但只要最终读音符合需要，就可以作为合成素材使用。
生成完成后，删去 vocal 尾部多余的声音，再将两段音频拼接起来。仔细听可能仍有瑕疵，但通常会比直接生成整个单词有明显改善。
类似的误读在中文中也可能出现。因此，你需要充分发挥想象力，通过换字、拆字、调整断句或重新拼接等方式，凑出一段令自己满意的音频。
后期处理
大多数情况下，语调的后期处理要求并不高，因为通常只有人声，没有伴奏。主要需要注意以下两点。
平衡整体音量
尽量让整段音频的音量保持稳定，消除突兀变化，同时保留正常说话时的轻重和情绪起伏。
调整句子间隔
间隔太长会让语气断裂，太短则显得拥挤。建议结合语义、标点和情绪进行调整，并完整播放检查。
总结
以上就是我个人总结的一些语调制作经验。
简单来说，ACE Studio 抽参法需要更多人工修改，但控制空间更大；GPT-SoVITS 生成法操作更加简单，但生成结果存在一定随机性，有时需要多次尝试和后期拼接。
如果你对语调制作感兴趣，欢迎亲自尝试。实际操作过程中遇到问题，也可以随时联系我交流。
相关资源
教程与主页
下载资源
- 2025 ACG 音乐会语调工程 ↓
- 2025 ACG 音乐会串词语调音频汇总洛叶与 @桜舞Phymusics 共同完成；提取码：Gdjn。
- 洛天依 GPT-SoVITS v2pro 模型13 周年生日会语音生成模型；“只想干饭的麦克斯韦妖”制作；提取码：pUfE。
- 乐正绫 GPT-SoVITS 模型提取码：Vmit；下载不便可联系作者。