AI 配音，非得先录一段自己的声音吗？

想让 AI 念一段稿子，打开工具一看：先上传参考音频。

咋的，让它上岗，还得先给它试个音？

不一定。把文字念出来，叫语音合成（TTS）；要不要你提供录音，取决于模型怎么取得音色。 选一个已经提供的声音，和让它参考某个人的声音，是两种需求。

北京时间 2026 年 11 月 3 日，llama.cpp 的 b12061 预发布构建收录了一项 PocketTTS 更新，刚好能把这事说清楚。它增加了对 PocketTTS 无声音克隆权重中的预设音色的支持，对应 GitHub PR #31429。

这是运行工具的具体支持变化，不是 PocketTTS 今天才诞生，也不是 llama.cpp 第一次能生成语音。

你要它“会说话”，还是“说得像谁”？

假设给一段产品介绍配旁白，只要求声音清楚、风格合适，未必非得像自己。

这时，预设音色就够考虑了：模型或服务已经提供了一组声音，你从里面选。像找配音演员，翻名册挑一个，不用先把自己的录音寄过去。

声音克隆处理的是另一件事：给模型一段有权使用的参考录音，让生成声音参考录音里的说话人特征。它试图回答“像谁”，效果能像到什么程度，还得看模型和样本，不能光看功能名字。

概念图：音色来自哪里。由星桥 API 生成，不是实测结果或产品界面。

两条路都能做语音合成。TTS 不等于声音克隆，没让你交录音，也不代表它没在选择音色。

预设音色也不保证“随便商用”。模型、具体声音素材和服务可能各有使用条件，真要放进广告或收费产品，得分别核对。

有的模型，你给录音，它还不收

这次更新支持的权重，名字就叫 pocket-tts-without-voice-cloning。

按这份构建的文档，模型转换时会把预设音色信息放进配套的 mmproj 文件，并省去那部分不再使用的声音编码器。可以把 mmproj 暂时理解为配套模型文件；只搬主权重、漏掉它，不是完整的运行配置。

因此，在支持这项功能的 llama.cpp 里，用这类权重时，可以指定已有音色，不指定就默认用第一个，不能再硬塞参考录音。

“不收录音”在这里是模型能力边界，不一定是上传失败。 想让它模仿自己，就得另找支持相应功能的模型和权重；多换几个音频格式，补不出它没有的编码器。

给正在看接口的朋友留几个能对照的名字，均指 llama.cpp 这份版本的接口：

• GET /props：模型提供预设音色时，返回的 voices 列出可选名字。
• /tts 的 voice：从这些名字里选；命令行对应 --tts-voice。
• 这类无声音编码器的权重会拒绝参考音频。预设音色也不能和参考录音一起指定；两边都没指定时，有预设音色的模型默认选第一个。

这几个字段不是所有云端配音平台的通用规范。音色名也得查当前加载的模型，别从另一个服务抄个名字就往里填。

选声音之前，还得先确认它会念哪种语言

中文稿准备好了，看见“多语言”就开跑，容易白忙活。

截至 11 月 3 日本次核对，Kyutai 这份模型卡列出的语言是英语、法语、德语、葡萄牙语、意大利语和西班牙语，没有列中文。 llama.cpp 的 PocketTTS 文档还说明，语言取决于所用权重，不能只改个 lang 就当换了一门语言。

所以，给中文文章配音，先核对具体模型的中文支持；给已有音色换个中文名字，也教不会它普通话。

同样，能念稿不等于能实时语音聊天。识别你说的话、决定怎么回答、播放回答，以及被打断时怎么停，还是另外几件事。今天这项更新讲的是已有音色怎么选，不能拿它替整套语音助手打包票。

如果你只是缺一位旁白，先看预设音色合不合适；确实要保留某个人的声音特征，再看获授权的声音克隆。先说清自己需要哪一种，再挑模型，省得录音录了半天，最后发现人家压根不收。

资料核对：2026-11-03。本文依据发布说明和版本文档解释功能，未做部署、试听或音质与延迟测试，也不代表星桥已经上线相应语音模型。

原始资料：llama.cpp b12061（预发布）、PR #31429、该版本的 TTS 文档与服务端文档、Kyutai 模型卡。微信若不保留外部超链接，可点阅读原文进入 PR，再查对应资料。