小店短视频怎么做方言配音？从口播稿到本地合成

给小店做一条方言短视频，先把口播压到一两句话，再确认方言读法、店铺信息和声音授权。本文用虚构小店做例子，在本机 CosyVoice 里合成四川话口播；模型加载约 11 秒，生成 8.76 秒音频约 29 秒。这个方案需要先安装本地模型和 Python 环境；生成结果还要由熟悉当地口音的人听过，才能判断是否适合发布。

你需要准备

CosyVoice 是 FunAudioLLM 团队开源的语音合成项目。Fun-CosyVoice3 支持包括四川话、粤语在内的多种中文方言，可以用自然语言指令指定方言。代码仓库和模型卡标注 Apache-2.0；模型卡也写有学术用途/技术演示免责声明，因此这不能直接证明每种参考录音、生成结果或商用场景都已获授权。官方仓库 模型卡

先把口播稿写成能核对的事实

练习包里的 方言口播稿.md 是虚构示例：

巷口小店今天现做红糖糍粑，外酥里糯。下午三点前到店，想留一份可以提前给我们发消息。

把店名、商品、营业时间和预约方式换成店主确认过的信息。价格、库存、优惠、配送范围这些内容不要让模型猜。第一次用短稿测试，方言词和数字先写成你希望读出的样子。

本机生成四川话口播

先按 CosyVoice 官方说明安装 Python 环境、克隆带子模块的仓库并下载 Fun-CosyVoice3-0.5B-2512 模型。进入 CosyVoice 仓库根目录，下载方言配音练习包，把 生成方言样音.py 放到该目录可访问的位置。

将自己的参考录音放在本机，然后运行下面的命令。把路径换成自己的文件；--reference-text 要填录音里实际说出的原句：

python 生成方言样音.py \
  --reference ./my_voice.wav \
  --reference-text "这是我录音里说的原句。" \
  --dialect 四川话 \
  --text "巷口小店今天现做红糖糍粑，外酥里糯。下午三点前到店，想留一份可以提前给我们发消息。" \
  --output ./output_sichuan.wav

脚本调用 inference_instruct2，把方言要求写成“请用四川话表达”。想测试普通话，可去掉 --dialect 四川话；每次合成前会加载模型，第一段等待时间通常更长。练习包中也有授权、事实和听审清单。

参考录音会影响声音相似度和合成效果。只录你有权使用的声音，先取得与用途相符的明确同意；如果是接单项目，确认授权是否包括声音克隆、广告或账号宣传、使用平台、期限和撤回方式。示例录音只用于模型测试，不能当作默认可商用声音。

发布前听完再决定

生成完成只代表文件写出来了，不代表方言自然或台词准确。先自己从头听一遍，再请熟悉当地口音的人复核：店名、地名、数字是否读对，方言是否像当地说法，有没有歧义、吞字、重复或突然截断。把易错词改成拼音或更口语的短句，一次只改一处再试听。

发布 AI 合成配音时，按平台流程主动声明并使用平台提供的标识功能，不要移除已有标识。《人工智能生成合成内容标识办法》第十条对此有明确要求。办法全文

本次实测与限制

同一段虚构口播使用本机 Fun-CosyVoice3-0.5B，按官方方言指令生成四川话，模型加载 10.77 秒，生成和保存用时 28.57 秒，WAV 时长 8.76 秒、采样率 24 kHz。脚本检查了文件非空和音频时长。样音使用 CosyVoice 仓库附带的演示参考录音，仅保存在本机，不放进公开练习包；它的录音授权未在本次核实。

我还没有人工试听，也没有请四川本地人复核，所以不对口音自然度、音质或宣传效果作判断。模型卡的免责声明也意味着，这次技术测试不能当成商业许可确认。试听之前不要把该模型输出当成可直接交付或投放的成品。

下载方言配音练习包：含虚构口播稿、生成脚本、授权与听审清单、来源和实测记录；不含模型、参考录音或合成音频。

工具清单

接下来可以做什么

• 广告和课程配音怎么接单：先明确稿件、授权和交付范围。
• 播客怎么写稿并做双人配音：从事实卡到分角色合成。