生成参数¶

参数可以作为关键字参数传递给 model.generate(...)，或通过 OmniVoiceGenerationConfig 数据类传递。完整列表以及每个参数所属的类别如下所示。

# 1) Direct keyword arguments
audio = model.generate(text="Hello world", num_step=32, guidance_scale=2.0)

# 2) Via OmniVoiceGenerationConfig dataclass
from omnivoice import OmniVoiceGenerationConfig

config = OmniVoiceGenerationConfig(num_step=32, guidance_scale=2.0)
audio = model.generate(text="Hello world", generation_config=config)

解码¶

采样¶

使用温度（以及固定随机种子）来引出富有表现力的演绎——呼吸声、笑声、叹息——在 expressive-speech.md 中有详细说明，包括其中的权衡取舍。

时长与速度¶

这些参数接受应用于所有项目的单个值，或按项目提供的列表（在批量模式下很有用）：

# Fixed 10-second output
audio = model.generate(text="Hello, this is a test of duration control", duration=10.0)

# Faster speech (1.2x faster than estimated)
audio = model.generate(text="Hello, this is a test of duration control", speed=1.2)

优先级：duration > speed。

预处理/后处理¶

注意 — 安静的录音是安全的。 静音去除是自适应的：如果在标准阈值下进行裁剪会消耗掉一段安静但真实的录音，则会依次尝试更温和的阈值；作为最后手段，会跳过裁剪——安静的片段会被克隆，而不是报错。只有当片段确实没有音频（空白或完全静音）时才会被拒绝，并会建议靠近麦克风重新录制。

提示 — 参考片段的音质会传递。 零样本克隆不仅会复现参考片段的声音，还会复现其声学特征：在回声较大的房间录制的片段，克隆结果也会有回声。请使用干声并近距离拾音录制，以获得干净的输出。除非你选择明确声明了混响的效果预设（Cinematic、Warm），否则没有效果预设会添加混响。

对于应用内录制，请在 Voice 面板中选择麦克风以及 Auto、Mono 或 Stereo。录制时，输入电平表会确认 VoiceStudio 是否正在接收可用的信号；监听是可视化的，不会通过扬声器播放麦克风的声音。

长文本生成¶

为支持低 VRAM 消耗下的稳定长文本语音生成，当生成语音的预估时长超过 audio_chunk_duration 时，文本会被自动拆分为更小的片段，每个片段大约生成 audio_chunk_duration 秒的音频。这种方法允许模型接受任意长度的文本，并以近乎恒定的 VRAM 消耗生成任意长度的语音。