引擎指南¶

每个引擎一个页面：它的用途、需要什么、如何启用，以及它的特殊之处。在 Model Catalogue 中选择引擎（或使用 Ctrl/Cmd+E 快速切换），也可以通过 OMNIVOICE_TTS_BACKEND / OMNIVOICE_ASR_BACKEND 固定使用某个引擎。

当某个引擎报告自身不可用时，展开其所在行的 为什么？ 面板，并使用 了解更多 直接跳转到该引擎的页面。行内消息有意保持通用——可用性探测可能携带本地路径或凭据，因此绝不会原样显示——实际的要求和设置步骤都写在下面的页面中。

计算设备（CUDA/ROCm/MPS/CPU）会自动检测；如果自动检测选择错误，可在 设置 → 性能与设备（或 OMNIVOICE_DEVICE）中固定——参见 性能。

实测速度/VRAM 数据见 基准测试；每个引擎在表现力方面的能力见 表现性语音；附带磁盘占用见 磁盘占用；新引擎必须达到的标准见 引擎验收。

第一次使用 VoiceStudio？请先安装应用——macOS（首次启动需要一次性右键点击 → 打开 来获得 Gatekeeper 批准），Windows，Linux，Docker。

文本转语音¶

参考片段时长¶

语音克隆接受最长 75 秒的片段，并建议提供 5–15 秒的干净语音。较长的片段中有多少会进入模型，取决于引擎；语音克隆界面会说明适用哪种方式，GET /engines 会按引擎将其报告为 max_ref_seconds 和 ref_strategy。

整个片段的转写文本无法与引擎截取出的片段匹配，因此当片段超过限制时，自动转写和已保存的转写文本都会被忽略。对于超过 20 秒的 OmniVoice 片段，无论是上传还是已保存的声音，通过 /generate 请求附带的转写文本都会被以 [clone_ref_too_long] 拒绝：请将两者修剪到同一片段，或者不提供转写文本。当引擎在其自身环境中运行时，这些限制同样适用。

语音转文本¶

说话人分离并非独立的引擎注册项——dub 流水线使用 pyannote（受 HF 门控；参见 diarization），而 FunASR 可以通过其 cam++ 说话人模型进行内联说话人分离。