**GPT-SoVITS不支持情绪提示词，靠【参考音频】控制音色韵律）

以下是三种常用男声参考文本，可直接照着录音，录完即作为固定参考文本使用：

在这片广袤的土地上，每一寸土壤都承载着岁月的痕迹。时间，是最公正的见证者。

· 字数：32 字，约 6~7 秒

· 语气要求：平稳、低沉、句尾微降

那天晚上，雨下得很大。他站在窗前，望着远处模糊的灯光，久久没有说话。

· 字数：31 字，约 6~7 秒

· 语气要求：低沉、带停顿、有呼吸感、第二句放慢

突破极限，超越自我。每一次出发，都是为了抵达更远的远方。

· 字数：26 字，约 5~6 秒

· 语气要求：有力、节奏明快、句尾上扬收束

36. 下方输入要合成的文本（语种对应），长文本点「凑四句一切」（不切，超过约几百字会胡言乱语；8GB 显存更建议按句切）。

37. 点「合成」，试听满意即可下载 wav。

38. 不满意先调参考音频（换一段、语速语气更贴合的），比调参数管用；top_p/top_k/temperature 保持默认。

_ueditor_page_break_tag_

第 6 步：批量配音并接入现有成片

方式 A：WebUI 手动逐条（8 句讲解稿，几分钟搞定）

· 把每句讲解文本依次粘贴合成，导出 wav 命名为 clip_1.wav…clip_8.wav 之类。

方式 B：API 批量（几十上百句时）

· 启动 api_v2.py 起本地服务，脚本循环调用合成，一句一条。

· 参考：程序根目录\api_v2.py、batch_inference.py。

接入成片管线（10-视频渲染现有流程）：

合成好的整段旁白 → 命名 narration_male.wav → 覆盖/替换原文件
→ 运行 finalize_explain.sh（ffmpeg 合并画面+配音+字幕）

字幕脚本 gen_subtitles.py 不用改——它只读 wav 的时长来对齐字幕。