KOA 语音全指南

语音能做什么

配好语音后，你们的相处会立体很多：

游戏里连麦——不用停下手里的操作打字，直接开口跟 ta 说话。
手机通话——在虚拟手机里给 ta 打电话，实时语音对聊，还能一起看看屏幕。
ta 的声音——短信朗读、游戏内说话、通话回应，都用 ta 自己的声线。

两个概念先分清：STT（语音识别）负责「ta 听懂你」，TTS（语音合成）负责「ta 开口说话」。它们分开配置、互不依赖——只想让 ta 有声音、自己继续打字，完全可以只配 TTS。

耳朵和嘴是两样东西，分开配。只想让 ta 有声音、你自己照样打字，只配嘴就行。

语音识别（STT）

KOA 的语音识别在你的电脑本地完成：识别模型内置在启动器里，不需要额外的 Key，你的声音也不会上传到任何服务器。

需要配置的只有两样，都在启动器的 API 页：

识别语言——选你平时说话的语言，识别更准。
触发方式——「智能检测」或「按键说话」，下一节详细讲。

首次使用语音时，启动器会自动准备识别模型（如需下载会显示进度条，已为大陆网络做了镜像优化），耐心等一小会儿就好，之后不用再等。

两种触发方式

在 API 页选择适合你的触发方式：

方式	怎么用	适合场景
智能检测（VAD）	开启后自动检测你在说话，说完自动识别发送	沉浸连麦：双手不离开键盘鼠标，像跟队友开黑一样自然聊
按键说话	按 `V` 开始说话，说完再按结束	环境有杂音（室友说话、放着音乐），或者不想让 ta 听到你的每句自言自语

小差异提醒：我的世界和泰拉瑞亚里按 V 即可用语音；饥荒是在游戏面板里打开 STT 开关后全程连麦。

语音合成（TTS）总览

TTS 让 ta 开口说话。最重要的一件事先记住：TTS 是在恋人资料页的「语音」里配置的，不在 API 页——因为声音是跟着角色走的，每个恋人可以有自己的声线，切换角色时声线自动跟着切换。

打开「资料」页 → 进入你的恋人的编辑页 → 找到「语音」（手机上叫「语音配置」），在「TTS 引擎」里选一种语音服务：

服务	费用	特点
Edge TTS	免费	零配置开箱即用，预设音色
ElevenLabs	按用量付费	音色逼真自然，支持自定义声音
MiniMax TTS	按用量付费	音色丰富，支持声音码自定义音色
OpenAI TTS（兼容）	按用量付费	兼容硅基流动等第三方服务
GPT-SoVITS 情感特化（本地）	免费	KOA 内置训练工具，从零训练自己的声线
GPT-SoVITS 推理特化包（本地）	免费	本地推理不限量，直接用现成模型
GPT-SoVITS 原生（本地）	免费	对接官方原版 GPT-SoVITS

上面四种云端服务按配置难度从低到高排列；三种 GPT-SoVITS 本地方案不需要网络，声音数据不出你的电脑——区别在于你手上已有什么：已有训练好的模型选「推理特化包」，想从零训练选「情感特化」，已经在跑官方原版选「原生」。

Edge 免费 TTS

最低门槛的选择：不需要任何 Key，免费使用。在「语音」里选择 Edge TTS，挑一个你喜欢的预设音色，保存即可；但需要魔法。

先用 Edge 让 ta 开口，以后想要更贴合 ta 气质的声线，再升级到下面几种。

ElevenLabs TTS

音色非常自然逼真，还支持克隆自定义声音。ElevenLabs 提供有限的免费额度，超出后按用量计费。

注册 ElevenLabs

到 ElevenLabs 官网注册账号，在个人设置中获取 API Key。
填入 KOA

在恋人的「语音」里选择「ElevenLabs」，填入 API Key，从音色列表中选一个适合 ta 的声音。
试听保存

试听确认是 ta 的感觉，保存生效。

MiniMax TTS

音色多，还能填声音码，用你在 MiniMax 上做好的自定义音色。

注册 MiniMax 开放平台

到 MiniMax 开放平台注册账号，按平台指引拿到 API Key。
填入 KOA

在恋人的「语音」里选择 MiniMax，填 API Key，再选音色。有声音码就填在「声音码（可选）」里。
试听保存

点「试听」听一下，满意就点「保存语音」。

咳嗽、叹气、笑出声

模型选 Speech-2.8（HD 或 Turbo）时，恋人咳嗽、叹气、笑出声，台词里会写成 (coughs)、(sighs)、(laughs) 这样的标签，MiniMax 念成真的咳嗽声、叹气声和笑声，不会把「咳咳」照字念出来。这是 KOA 自己交代给恋人的，不用设置。屏幕上看不到这些标签。

线下场景、剧场、跑团，还有手机里的电话、一起看、短信语音条和恋人打来电话的第一句，都会这样写。游戏里暂时还不念标签。
Speech-2.6 和更早的模型不认标签，恋人不会写，台词里有也会被去掉，不会念成单词。
括号里的其它字不会念出来。双语模式的翻译、括号里写的动作，都只在屏幕上看得到。
想自己听听：选了 Speech-2.8 以后，「试听的话」默认就是带标签的一句，点「试听」。自己打标签的话，MiniMax 认这 19 个，拼写要一字不差：(laughs) (chuckle) (coughs) (clear-throat) (groans) (breath) (pant) (inhale) (exhale) (gasps) (sniffs) (sighs) (snorts) (burps) (lip-smacking) (humming) (hissing) (emm) (sneezes)

台词语气

「台词语气」是 MiniMax 下面的一个开关，默认关着。关着时，MiniMax 看台词的字自己判断用什么情绪。

打开以后，恋人写每一句台词时，从 MiniMax 认的几种情绪里挑一个：平静、开心、难过、生气、害怕、厌恶、惊讶。模型选 Speech-2.6 的话还多「生动」和「低语」。平常说话、温柔、安慰、开玩笑都是平静的声音，真开心、真难过的句子才换。短信语音条和恋人打来电话的第一句也一样。

MiniMax 的情绪没有轻重，开心就是很开心。听着太用力，就关掉。
想听听开着是什么样，点试听那一排的「让恋人说一句」。KOA 按角色设定写一句台词，连语气一起念给你听。每点一次，用一次聊天模型和一次语音。
游戏里暂时还是以前的样子：开着时只有难过、生气、开心这类情绪会带上，别的还是 MiniMax 自己判断。

高级设置

「台词语气」下面有一栏「高级设置」，默认收着，点一下展开。里面是读音字典（下一节）和下面几样，不动它们就是以前的声音。标题后面写着「已设置 2 项」这样的字，就是里面改过东西。

「语调」：往左声音低，往右声音高。
「音量」：觉得恋人说话声太小或太大时调，最大到 2。
「语言增强」：恋人说粤语、日语或者别的语言时，选上那种语言，发音更准。只说普通话的不用选。
「读准数字和符号」：打开后，「9:30」「¥58」这类念得更准。只有 Speech-2.8 和 2.6 有这个开关。
「音质」：「标准」就是以前的音质。「高」每句的文件大一倍，「省空间」小一半，声音会糊一点。手机上的语音条存满了会从最早的删起，选「高」删得快一些。
「恢复默认」：把上面这几样调回去，读音字典不动。

改完不用先保存，直接点「试听」就能听。这些设置跟着每一句发给 MiniMax，游戏里暂时还用不上。改了以后，以前念过的句子再播一次会重新合成，MiniMax 按字算钱。

读音字典

MiniMax 把恋人的名字或者某个词念错了，写进「读音字典」。它在「高级设置」里，展开就看到。

一行写一个词

写成 原文/读音。读音用拼音，一个字一对括号，拼音后面的数字是声调，轻声写 5。名字「乐乐」想念 yuè yuè，就写 乐乐/(yue4)(yue4)。中文输入法打出来的全角斜杠和括号也认。
保存

点「保存语音」。有哪一行写错了，框下面会说是第几行、错在哪，改好才存得进去。「高级设置」收着的话，会自己展开。
试听

在「试听的话」里打一句带这个词的话，点「试听」。字典不用先保存。

字典跟着每一句发给 MiniMax，游戏里暂时还用不上。改了字典以后，以前念过的句子再播一次会重新合成，MiniMax 按字算钱。

以前写过「语气语调」

「语气语调」这个框从这一版起去掉了，里面写的不再生效。框里的字只有写台词的模型读得到，MiniMax 本来就收不到，挪进角色设定，恋人照样读得到。

写过的话，语音区里会多一块「语气语调（已停用）」，原文还在：

复制

点「复制」，粘进资料页的「角色设定」。
清掉

点「清掉」，这一块就没了。保存以后才算数。

OpenAI 兼容 TTS

除了 OpenAI 官方，任何兼容 OpenAI TTS 接口的服务都能用——比如硅基流动等平台。

配置方法：在「语音」里选择 OpenAI TTS，把 API 地址改成对应服务商提供的地址，填入该服务的 Key，选择音色即可。

GPT-SoVITS 情感特化训练工具

想让 ta 用只属于你的声线说话？KOA 内置了一套可视化的声线训练工具——从准备素材到训练再到部署，全程在浏览器里点点点，不需要任何命令行知识。训练完成后一键部署为本地 TTS 服务，KOA 直接连上就能用。

本工具基于开源项目 GPT-SoVITS 及社区生态开发，是 KOA 附赠的免费工具，不属于 KOA 付费激活的功能范围。训练出的声音请仅用于个人用途，遵守你所在地区的相关法规。

你需要准备什么

NVIDIA 独立显卡——训练需要 GPU 算力，集成显卡跑不动。工具内有显存参考表帮你判断你的显卡够不够用。
GPT-SoVITS 官方整合包——约 8 GB，提供训练所需的运行环境和预训练模型。工具页面内有下载指引，从官方渠道获取。
角色的语音素材——一段干净的角色语音（游戏配音、动画台词等均可），工具内自带切分和标注功能。

下载官方整合包

在启动器「工具」页找到「GPT-SoVITS 情感特化训练工具」，按页面指引下载官方 GPT-SoVITS 整合包并解压，版本选 v2pro-20250604。RTX 50 系显卡选 v2pro-20250604-nvidia50。2026 年 10 月出的 V5 整合包训练面板用不了。
绑定目录

在工具页选择你解压后的整合包目录，KOA 会自动识别并注入训练面板文件。之后 KOA 更新时面板也会自动跟着更新。
启动面板、训练声线

点击「启动」，面板会在浏览器中打开。面板内有完整的新手指南，跟着走就行：创建项目 → 导入音频 → 自动切分标注 → 格式化 → 开始训练。训练时间取决于显卡性能和数据量，通常几十分钟到几小时不等。
部署为 TTS 服务

训练完成后在面板的部署页一键部署。首次部署需要联网安装几个小依赖（面板已配置国内镜像），之后不再需要网络。
连接 KOA

在恋人的「语音」里选择「GPT-SoVITS 情感特化 (本地)」，地址默认已经填好（http://127.0.0.1:9881）。刷新音色列表选中你训练的模型，还可以为 ta 的每句话挑一种说话情绪。

训练面板在 KOA 启动器运行期间保持可用。关闭启动器时面板和部署服务会一起关闭（训练进行中时会先弹确认）。

日常使用：一键启动 API

训练部署过一次之后，日常使用不需要每次都打开面板走部署流程。「工具」页提供了一键启动 API 的快捷卡片——点一下就能直接启动 TTS 服务供 KOA 调用，省去开面板的步骤。

GPT-SoVITS 推理特化包

如果你已经有训练好的 GPT-SoVITS 模型（自己训练过、或从社区拿到现成模型），可以用推理特化包直接跑——不需要再训练，模型搬进去就能用。

下载推理特化包

到 ModelScope 的 aihobbyist/GPT-SoVITS-Inference 页面下载整合包并解压。cu124 / cu128 两个版本对应不同的 CUDA 版本：显卡驱动较新选 cu128，启动报错就换另一个。
放入你的模型

把训练好的 GPT / SoVITS 模型和参考音频放进推理包的模型目录，参照包内示例的层级摆放（模型名 / 参考语言 / 情绪参考音频）。
启动 API 服务

运行推理包里的 API 启动脚本，记下窗口里显示的端口（一般是 8001）。KOA 使用期间这个窗口要保持开着。
连接 KOA

在恋人的「语音」里选择「GPT-SoVITS Inference Plugin (本地)」，接口地址填 http://127.0.0.1:8001（端口以上一步窗口显示的为准，地址请用 127.0.0.1，不要填 0.0.0.0）。刷新音色列表选中你的模型，还可以为 ta 挑一种说话情绪。

GPT-SoVITS 原生

如果你已经在跑 GPT-SoVITS 官方原版的 api_v2.py，可以直接对接，不需要换推理特化包。

在恋人的「语音」里选择「GPT-SoVITS 原生 (本地)」，接口地址填你的 API 地址（默认 http://127.0.0.1:9880）。

官方原版不提供模型列表接口，KOA 无法自动拉取音色列表——你需要在「语音」里手动填写参考音频路径等参数。如果觉得麻烦，建议换用上面的推理特化包或情感特化训练工具，模型直接搬过去就行，不需要重新训练。

双语模式

如果 ta 的设定说的是外语，或者你想边谈恋爱边练语言，可以在角色设定的 TTS 页打开双语。这里有两个开关，各管各的：

手机里的双语：短信、电话和一起看看用 ta 的母语。点一下短信气泡，中文在原文下面展开，语音条也一样。
游戏里的双语：ta 在游戏里用母语说话，屏幕上显示中文。先打开「启用语音」，才看得到这个开关。
角色的母语：两个开关共用，比如填「日语」。空着时按角色描述判断。

可以只开一个。想在游戏里听 ta 说日语、手机里照常聊中文，就只开游戏那个。

线下场景的双语在它自己的设置里，选「双语台词」。

常见问题排查

ta 听不到我说话

检查 Windows 设置里的麦克风权限，以及麦克风有没有被别的程序占用。
确认 API 页的触发方式：选了「按键说话」就要按 V 才会开始识别。
识别语言选的和你实际说的是否一致。

ta 不出声

确认在恋人资料页的「语音」里（不是 API 页）选好了服务并保存。
用 MiniMax / OpenAI 兼容服务时，检查凭证是否有效、余额是否充足。
到启动器「日志」页看 TTS 相关报错，通常能直接看到原因。

MiniMax 没有念出笑声、叹气声

模型要选 Speech-2.8（HD 或 Turbo）。2.6 和更早的模型不认标签。
标签要是 MiniMax 认的那 19 个，拼写一字不差。拼错的标签会留在屏幕上，没有声音。「日志」页里也会有一行 is not a MiniMax voice tag，写着是哪一个。
在「试听的话」里打一句带标签的话试听。试听里有声音，引擎就没问题。

读音字典写了，还是念错

看看那一行是不是 原文/读音，读音是不是一个字一对括号，比如 (yue4)。
「日志」页里有 MiniMax rejected the pronunciation dictionary 这一行，是 MiniMax 不收这份字典，那一句是去掉字典念的。把最近加的那几行删掉再试。

高级设置改了，听不出变化

「日志」页里有一行 MiniMax rejected 开头、中间写着 the advanced settings，是 MiniMax 不收这组设置，那一句是去掉高级设置和读音字典念的。点「恢复默认」，再一样一样改回去试。
「读准数字和符号」只在 Speech-2.8 和 2.6 上有用，换成别的模型，这个开关会藏起来。

情感特化训练工具启动失败

检查端口 9877 是否被占用——如果你自己手动跑过面板，关掉那个实例再从 KOA 启动。
确认绑定的目录是官方 GPT-SoVITS 整合包的解压目录（里面应该有 runtime 文件夹和 GPT_SoVITS 文件夹）。
确认整合包版本是 v2pro-20250604。更新的 V5 整合包训练面板用不了。

情感特化部署后 KOA 连不上

确认在面板的部署页已经成功部署（部署日志没有报错）。
在恋人的「语音」里确认选的是「GPT-SoVITS 情感特化 (本地)」而不是其它 GPT-SoVITS 选项。
地址用默认的 http://127.0.0.1:9881 不要改，除非你手动换过部署端口。

GPT-SoVITS 推理特化包拉不到模型 / 音色列表是空的

确认跑的是「推理特化包」（AI-Hobbyist 维护的推理专用版本）——官方原版没有模型列表接口，KOA 读不到它的模型。如果你用的是官方原版，切换到「GPT-SoVITS 原生 (本地)」通道，或换用推理特化包。
接口地址的端口要和推理包 API 窗口显示的一致（一般是 8001），并确认那个窗口没有被关掉。
地址用 127.0.0.1，不要填 0.0.0.0（那是服务的监听写法，不是访问地址）。

玩游戏时本地 TTS 突然不出声

如果 ta 平时好好的，一开游戏（尤其是我的世界等吃显卡的游戏）就不说话了——这是 TTS 推理和游戏在抢显卡资源。GPT-SoVITS 推理默认会尽量多占显存，游戏也要大量显存——两边一起跑，显存不够时 TTS 会静默失败（不报错、不提示，只是没有声音）。

按推荐顺序试试这几个方案：

限制 TTS 显存占用——找到你的 GPT-SoVITS 推理服务的 Python 启动文件（api_v2.py 或类似文件），在文件顶部找到 import torch，紧跟其后加一行：
torch.cuda.set_per_process_memory_fraction(0.4)
这样 TTS 最多只用 40% 的显存，给游戏留出空间。12 GB 显卡建议 0.4，8 GB 建议 0.45，6 GB 建议 0.5。如果加了之后不玩游戏时 TTS 也报错，就把数字调大一些。
降低游戏画面配置——关闭光影、降低渲染距离和分辨率，都能释放出大量显存给 TTS 使用。光影开关的影响最大：光影可能额外吃掉 4-6 GB 显存。
换用不吃显卡的 TTS——如果显卡实在带不动两头跑，可以把 TTS 切成 Edge TTS（免费且不用显卡）或其它云端服务，游戏性能也完全不受影响。

查看显存使用情况：打开任务管理器 → 「性能」 → 「GPU」 → 看「专用 GPU 内存」。如果已经接近总量，就是显存不够了。

还是解决不了？导出诊断包，到帮助中心指引的渠道反馈。