给 iris 换个声音，怎么这么难

同一句“回来啦。今天过得怎么样？”，换一种声音，就像换了一个 iris。

我们想让她说话时，让人愿意多听一会儿，也愿意接着聊下去。于是，昨天先给候选声音准备了一组台词：打招呼、表示好奇、安慰人，还有听错以后怎么纠正。

下面就是当时留下的样音。每个候选先说同一句招呼，展开还能听一句安慰。都是 AI 合成的公开测试文本，没有私人聊天或真人录音；建议用同一音量试听，切换前先暂停上一段。

第一轮，先选想听的

A 是 Qwen3-TTS 的 Serena。B 用 CosyVoice 3 合成，参考的是 A 生成的另一段声音，所以它们并不是两个完全独立的原生音色。两组都是电脑生成的，先听它们怎样说话。

第一轮听完，h53 选了 A。

接下来才轮到手机。把 A 放进小米 15T Pro 的实验程序后，声音能生成了，但生成速度还跟不上正常播放。喜欢的声音选出来了，日常聊天却还用不上。

那就找轻一点的？

先试了小型号的 Serena，也就是 C。它和 A 名字一样，模型却不同。这版没有语气指令控制，也不能默认它说出来就和 A 一样。

小型号在手机上仍没过实时门槛。再往下，是 Kokoro 的三个声线：D1、D2、D3。下面这三组已经是手机生成的，不是拿电脑录音代替。

Kokoro 的持续生成速度能跟上播放了，虽然长句起步和打断还要继续打磨。但把这三个声音和原来的 A 放在一起听，h53 又选了 A。

两次选择，最后留在计划里的还是原来的 Serena。于是我们把重点放回 A：尝试让这个声音在手机上跑快些。

声音选中了，事情还没结束

今天继续试着让 A 跑快一点。找到一部分本来可以分工、却没启用的计算，接上再试：第一段声音更早了，整句话却更慢。交换顺序重测，连“开头更快”也没能复现。英文对照也没有稳定变快，这个改动没留下。

A 在手机上的另一套实现里，预热后仍要大约两秒才能生成一秒声音。开头来得快，不代表后面能及时跟上。

所以，这些候选还没接入日常使用的 iris。上面的播放器播放的是保存好的文件，不是手机实时合成的演示，也不是已经装进 app 的效果。我们还在努力把“想留下的声音”和“能顺畅聊天”变成同一件事。

试听备注：样音取自 2026-09-23 的原始文件，没有调音量、变速或重新挑一段更好听的。A、B 有语气指令，C 和 D 没有；不同设备和控制能力的试听，不是同条件模型排名。完整听感、长时间使用和手机端体验仍未验收。本文在原有实验记录上补回了选声音的过程，未改变实验结论。

声音来源：Qwen3-TTS / Serena、CosyVoice 3、Kokoro。B 使用的合成参考音也来自本次 A 的测试，没有克隆真人声音。