中文情感克隆配音测试，3DSVR-1911（v2）, HNVR-152（v2），IPVR-385(v2)，115链接

zelefans

这两周一直在慢慢调程序，之前效果不太满意，我不得不加回基准语音，把克隆语音和克隆情感分开，这样音色表现相对稳定。

我今天再更新一个自动化批量出的非精修版本，证明还活着

宮西ひかる的3DSVR-1911，全程语音，最能体现出情感克隆配音的效果。
V2版本，9月1日更新，扩展名修改为7z，密码1234

1. ed2k://|file|1911-v2.77|33171553|DAF0D8FB1115F347060C4EDB6894DEE0|h=SYMPSLMRP4BBHO4MC34KI7UHKUTPUIUE|/

复制代码

HNVR-152，香水じゅん 巅峰，大量琐碎的对话（8.30）
V2版本，8.31，密码1234

1. ed2k://|file|hnvr152-cn-v2-mima-1234.7z|19623270|AF7860BD98328157F29CF45E3867DB3C|h=C5QBU2G6GFQDF3VAYVJ2UIMOVR3DLWHU|/

复制代码

林芽依，IPVR-385，声音干净，  重做过的V2版本， 8.31， 文件扩展名改为7z，解压密码1234
没法下载的我放到了帖子附件里

1. ed2k://|file|385.77|4415536|56C7D594E9A23C9BE6C376BE4ABBE67A|h=CYG3DS4QQXIEZH7VL6PC6OZZ27TD6ZVD|/

复制代码

只有语音，用我写的工具可以和MP4混合，建议可以用语音克隆功能里的混音功能。情感克隆程序更新的日期还没确定。
https://4k2.me/thread-46001-1-1.html


忙着别的开发，这个只能每天慢慢调一点了。

fries

大哥，为啥子我没法输出预览画面观看，生成不了预览，字幕也是选的这个工具生成出来对应的，然后是不是选了针对同声传译或配音优化和翻译前AI校对原文(修正听写错误)会消耗更多Tokens，我大概翻译了18个视频平均半小时时长，一共花了4块钱，有十个是闲时翻译的，这个消耗量是正常的吧，平均一个视频两毛五

zelefans

fries 发表于 2026-8-29 17:53
大哥，为啥子我没法输出预览画面观看，生成不了预览，字幕也是选的这个工具生成出来对应的，然后是不是选了 ...

1、硬字幕我很久没自己用过了……只剩下搞克隆了，VR里看字幕实在难受。回头有时间我再试试
2、DS涨价涨了5、6倍，而且默认开启了思考模式，这种消耗正常。 不差钱的话AI前置优化效果还行，至少会删掉一些不必要的垃圾和统一一些称谓。

我接下去还是会参考比如WhisperJAV这种专门软件的新的更新，看看能否继续改进听写，特别是尽量校准语音片段的时长。语音克隆还是暴露出不少问题，日本片气声太多，特别是VR，比普通2D片多了太多气声导致无数的幻觉词要处理……

fries

zelefans 发表于 2026-8-29 19:18
1、硬字幕我很久没自己用过了……只剩下搞克隆了，VR里看字幕实在难受。回头有时间我再试试
2、DS涨价涨 ...

除了ds，还有其他家的可以推荐吗，难怪比以前贵好多

fries

zelefans 发表于 2026-8-29 19:18
1、硬字幕我很久没自己用过了……只剩下搞克隆了，VR里看字幕实在难受。回头有时间我再试试
2、DS涨价涨 ...

我以前都是用的这个卡卡字幕助手来翻译，不过同样都是v3，是因为开了这个翻译内容针对同声传译或配音优化和翻译前AI 校对原文(修正听写错误)，让翻译出来的结果好很多吗，以前翻译的时候我都是没勾反思翻译的

fries

zelefans 发表于 2026-8-29 19:18
1、硬字幕我很久没自己用过了……只剩下搞克隆了，VR里看字幕实在难受。回头有时间我再试试
2、DS涨价涨 ...

或者是ds更新了翻译得更准了[破涕为笑]

zelefans

fries 发表于 2026-8-29 19:32
或者是ds更新了翻译得更准了[破涕为笑]

DS4版本，API默认参数会开启high级别的think，慢到爆。我后来版本升级降到了low的think，的确效果比直出好。
我翻译功能增加的翻译前让AI先过滤一遍，主要让它干的事儿在config/asr_correct_prompt.txt提示语里可以看到：

任务：您是一名字幕校对员。以下字幕是 {source_language} 语言的原始语音识别 (ASR) 输出，按播放顺序排列。请使用上下文信息修正识别错误。请勿翻译——输出语言必须与输入语言保持一致。

输入格式：

- 字幕位于 START 和 END 标记之间。

- 每条字幕由唯一的 <subtitle_id>subtitle_text</subtitle_id> 组成。

- subtitle_id 按播放顺序递增：相邻字幕是同一对话的连续行。

说明：

- 输出模式：仅输出需要修正或删除的字幕，使用相同的 subtitle_id 和 {source_language}。

- 仅修正错误：同音词/相似音误识别、错误的助词、错误或不一致的人名、明显乱码。根据上下文判断实际内容。

- 确保人名和重复出现的词语在整个文件中保持一致。

- 不要改写风格，不要概括，不要添加未曾说过的词语，不要审查。

- 如果一行内容已经正确，则完全省略该字幕 ID。省略字幕 ID 表示“保持原文不变”。

- 如果一行内容完全是乱码且无法辨认，则完全省略该字幕 ID。

- 仅限感叹词的台词：如果台词仅包含非词汇发声或没有可翻译意义的填充声音 - 呻吟、叹息、笑声、呼吸、确认嗡嗡声在每种语言中听起来都相同（例如 あ、ああー、ん、んっ、うん、um、はぁ、うぅ,ふふ, あはは) — 输出 id EMPTY，如 <subtitle_id></subtitle_id>，将其标记为删除。不要对有意义的短行（例如はい、え？、だめ、いや、すごい、いく）执行此操作 - 这些必须正常保留和更正。
- 仅限象声词的台词：ASR 还将物理声音（亲吻、吸吮、摩擦、拍打、湿声）转录为模仿词 - 例如 くいくい、くちゅくちゅ、ぬちゃぬちゃ、じゅぽじゅぽ、ちゅぱちゅぱ、ぺちゃぺちゃ，实际上没有人说这些 字;仅包含此类音效模拟的行也必须输出 EMPTY (<subtitle_id></subtitle_id>)。仅当模仿词明显是口语句子的一部分时才保留它（例如，有人描述声音：ぺろぺろして的意思是“舔它”并保留）。
- 幻觉常用短语：ASR 有时会插入从未实际说过的常见固定短语 - 结束语/问候语，例如ご视聴ありがとうございました，ご视聴してくださって本道にありがとうございます,チャンネル登录お愿いします,最后一次见面就是最后一次见面,さようなら,“谢谢就这么多，直到最后”。如果这样的一行突然出现，并且周围的对话中没有任何内容支持它，请输出该 id EMPTY (<subtitle_id></subtitle_id>) 以将其删除。仅在上下文明确支持的情况下保留字幕（例如，角色在睡前说晚安）。

- 切勿合并或拆分字幕。仅返回已更改/删除的字幕 ID；未更改的字幕行必须省略，空标签表示删除。

- 切勿包含解释、摘要、前后对比、原文字段或未更改的字幕 ID。

- 如果不需要更正或删除字幕，则仅输出 START 和 END 标记，两者之间不包含任何字幕标签。

内容背景：

包含成人内容；请保持所有露骨词语的口语原样，使用非正式口语风格。

--------

示例（日语）：

输入：

START

<1>今天是这一天，公园在公园里</1>

<2>広角でいいの? </2>
<3>うん、こうえんがいい</3>
<4>はぁ、ああー</4>
<5>はい</5>
<6>ご视聴ありがとうございました</6>
<7>うん</7>
<8>くいくいくい</8>

结尾

输出：

开始

<2>公园でいの？ </2>

<3>うん、Parkがいい</3>

<4></4>

<6></6>

<7></7>

<8></8>

结束

待修正字幕：

-----------------------

开始

{subtitles}

结束

注意：与输入语言相同。仅返回已更改/删除的字幕 ID。忽略未更改的 ID。切勿包含原始文本或解释。

fries

zelefans 发表于 2026-8-29 19:39
DS4版本，API默认参数会开启high级别的think，慢到爆。我后来版本升级降到了low的think，的确效果比直出好 ...

那是不是如果不打算搞同声传译或配音，单独勾这个翻译前AI校对原文就够了

fries

zelefans 发表于 2026-8-29 19:39
DS4版本，API默认参数会开启high级别的think，慢到爆。我后来版本升级降到了low的think，的确效果比直出好 ...

配音克隆我今天试了几部，感觉还是不太好，很违和听起来

fries

zelefans 发表于 2026-8-29 19:39
DS4版本，API默认参数会开启high级别的think，慢到爆。我后来版本升级降到了low的think，的确效果比直出好 ...

好的，谢谢大佬解答