离线配音与有声故事工坊
这段时间，我一直在做一些能用到生活里的小工具：给老动画提高清晰度，把孩子画的小人变成动画，生成可以打印的迷宫和连点画。
这次，我想给故事加上声音。
把写好的睡前故事贴进去，让电脑读出来；录一小段自己的声音，再试着用熟悉的音色讲另一段故事。对家长来说，它可以是制作故事音频的小帮手；对老师和内容创作者来说，也可以拿来做朗读素材、课程旁白和视频配音。
于是，我把开源语音模型做成了一个 Windows 桌面软件：离线配音与有声故事工坊。目前整理到了 r5，也一并准备了完整 VS2022 源码。
不装 Python，也能在桌面上直接配音
软件基于 OpenMOSS 的 MOSS-TTS-Nano 。官方介绍其语音模型约 0.1B 参数，支持声音克隆，提供 ONNX CPU 推理方案，并输出 48 kHz 立体声音频。模型与原始算法来自开源团队；我做的是 C# 推理移植、WinForms 界面和 Windows 部署整理。官方项目（github.com/OpenMOSS/MO...
这一版使用 C# + .NET Framework 4.8 + ONNX Runtime CPU。运行时不需要安装 Python、PyTorch 或 CUDA，也不要求独立显卡；模型在本机运行，日常配音无需调用在线接口。
r5 界面布局展示
图为 r5 实际窗体布局的离屏渲染，未启动麦克风或模型；运行时会显示可用音色和电脑上的录音设备。
现在可以做这些事情：
- 直接使用预置声音：提供 18 个官方预置参考音色，先输入一段文字就能体验。
- 导入参考 WAV：用自己已有的录音作为声音参考，不需要单独训练模型。
- 在软件里录音：选择麦克风、录制、试听，满意后点击"用作克隆声音"。
- 导入整篇 TXT：按模型的 token 预算自动分段，逐段合成。
- 边生成边试听：也可以等完整生成后再播放，最后另存为 WAV。
- 调整 CPU 线程：电脑还要做其他工作时，可以降低线程数。
第一次用，先生成一段短故事
完整解压 r5 运行包，双击"启动软件.cmd"或软件 EXE。保留默认的 ./models，在"声音来源"里选择"官方预置音色"，再选一个声音。
把下面这段话贴到"朗读内容"：
小朋友们，晚上好！今天我们来听一个关于勇气和友谊的故事。森林里住着一只小兔子，它总是喜欢帮助别人。
先保持默认分段设置，CPU 线程可以从 2 或 4 开始，点击"开始生成"。首次生成需要加载模型，会比后续任务多一些等待。
结果默认保存在软件目录下：
workspace/
时间-任务编号/
配音.wav
......分段文本与任务统计这里的相对路径都以 EXE 所在目录 为准。把整个软件文件夹挪到其他位置，不需要修改源码里的盘符。
想用自己的声音，怎么操作？
在"录下我的声音"区域选择麦克风，点击"开始录音"，自然说一段话。建议录 5～15 秒，声音清楚、一个人讲话，尽量避开背景音乐。
停止后先"试听录音"，满意再点"用作克隆声音"。软件会自动把声音来源切换到"参考 WAV 克隆"，填入刚录好的文件。接下来输入新的文字，点击生成即可。
参考录音和最终配音的内容可以不同。录音的作用是提供音色与说话特征，而不是把录音原封不动地复制一遍。
已经录过了，也不用重新录。 在"声音来源"里选"参考 WAV 克隆"，点击"选择音频"，打开之前保存的 WAV 即可。软件自己的录音默认在 ./workspace/recordings/ 中。
目前录音最长 30 秒；参考 WAV 同样限制在 0.3～30 秒内，推荐选取清楚的短片段。克隆是否自然，与参考录音、文字和模型本身都有关系，生成后记得试听。请使用自己的声音或已获授权的声音素材。
它是怎样把文字变成声音的？
从文字与参考声音到 WAV 的推理流程
整个过程可以拆成四步。
第一步，处理文字。 软件先做可选的中文数字基础规范化，再用 SentencePiece 分词器把文字转成模型认识的 token。长文章会按照 token 预算拆开，因此界面里的"60 token"不等于"60 个汉字"。
第二步，准备声音参考。 使用预置音色时，可以直接读取已有参考编码；使用自己的 WAV 时，先把音频转换到模型需要的格式，再由音频编码模型提取声音信息。
第三步，生成音频编码。 语音模型结合文字和参考声音，逐步预测后续的音频 token。C# 代码在这一步管理推理会话和 KV 缓存，避免每一步都重复处理全部历史内容。
第四步，还原并写出音频。 音频解码模型把编码转换成 PCM 样本，软件逐块写入 WAV；开启试听时，同步送给播放缓冲。最终输出为 48 kHz、双声道、16 位 PCM WAV，方便后续剪辑。
长文本不需要一次性把整篇音频放进内存。软件逐块写盘、分段合成，同时保留分段文本，便于检查读法和定位问题。
CPU 跑起来是什么速度？
为了给大家一个具体参考，我用 Ryzen 7 7735H、4 个 CPU 线程，配合官方公开参考 WAV，测试了上面的故事。
| 项目 | 本次结果 |
|---|---|
| 生成音频时长 | 15.60 秒 |
| 生成阶段耗时 | 约 12.07 秒 |
| 首批 PCM 延迟 | 约 2.44 秒 |
| RTF（耗时 ÷ 音频时长） | 约 0.77 |
| 进程峰值工作集 | 约 1.21 GiB |
这一次的平均生成速度快于播放速度。上述生成计时不含主模型会话的首次构建，包含本次参考声音的编码处理；它是单次样例数据，不代表所有电脑、所有文本都能达到相同速度，也不意味着点下按钮立刻出声。
另外，0.1B 参数不等于整套软件只有 100 MB。实际还需要语音模型的不同推理图、音频编解码模型、外部权重、分词器与运行库。本项目随带模型约 728 MiB，使用时的内存也高于模型文件体积。
r5 花了功夫的地方：把桌面使用里的问题处理好
模型能跑起来之后，实际使用还会遇到录音、分段、取消任务和 DLL 加载等问题。
这一轮修正了中文多句拼接规则，避免人为插入空格改变模型输入；也调整了 Windows 原生运行库的加载顺序，处理"选择完文件后 ONNX Runtime 初始化失败"的情况。r5 会在显示界面、打开文件框之前初始化自身目录的 ORT 和 VC++ 运行库，语音模型仍等到生成任务再加载。
其他细节也一起保留：参考音频编码复用、推理会话复用、有界试听缓冲、取消清理、错误日志，以及分段达到时长上限时明确报错，避免悄悄把截断的结果当成成功文件。
现在的界面围绕文字、录音和 WAV 配音展开。MP3 导出、情绪面板和语速控制还没有加入；多音字、复杂数字读法和克隆音质也需要结合具体材料试听。
给 C# 开发者：完整 VS2022 源码也整理好了
工程保留熟悉的 MainForm.cs + MainForm.Designer.cs + MainForm.resx，可以继续用 WinForms 设计器调整界面。
源码包包含模型、离线 NuGet 依赖、原生运行库、示例和第三方许可。安装 VS2022 的".NET 桌面开发"和".NET Framework 4.8 目标包"后，打开解决方案，选择 Release | x64 ，即可生成；也提供了 Build.cmd。
对于想学习 C# 调用 ONNX 的朋友，这个项目可以连起来看：分词器怎么对齐、参考音频怎么编码、KV 缓存怎么传递、录音和播放怎么与推理配合，以及如何整理一份能交给别人使用的 Windows 软件。
完整运行包与完整源码包已经整理，适合分别用于直接体验和二次开发。上游模型与组件的许可说明也随包保留，分发时请一起带上。
如果你也喜欢做这类实用的小工具，欢迎加入 QQ群：天天代码码天天，群号 264292622，一起交流 C#、AI 桌面应用和开源项目实践。
我很喜欢这种感觉：一段自己写的文字，变成孩子能反复听的故事。工具还有继续打磨的空间，但先把第一段故事讲出来，就已经很有意思了。