未填時若伺服器已啟用驗證，呼叫會回 401。
🔤 逐字改音：在某個字後面加括號標注音或拼音，例 你（ㄋㄧˇ）、體（ti3）、語（yu3）言（只改括號前一個字；兩種引擎皆適用，拼音需帶聲調 1–5）。
1=原速，>1 快、<1 慢
0=原音高，每格一個半音
零樣本聲音會把參考音的空間殘響學進來→聽起來有回音；勾選後在輸出端壓掉回音＋毛邊（純後處理、近即時）。想細調展開下方滑桿（動過的滑桿會覆寫一鍵預設）。徹底乾淨要從聲音的參考音重建。
去回音強度；0=不去，0.4–0.6 一般，>0.7 壓很多但會變悶
削嘶聲/毛邊（去爆音感）；0.5≈-3dB、1≈-6dB
去低頻 rumble/口爆；0=不切，建議 60–90
@3kHz；+ 更清晰前置、− 更柔
@12kHz 更亮；需搭輸出增強(44.1k)才生效，24k 自動跳過
不勾一鍵、且滑桿沒動過 → 完全不調音（與原本相同）。
句末與逗號（。，、！？．）後插靜音，預設 150，150–400 較自然，0=關閉
中文字間空白（轉頓號）處插靜音，預設 100（比標點短），0=不插（仍保留頓號軟停頓）
0=關閉（單次、最快）；2–5=同句多次取樣選最乾淨那次，合成時間約 N 倍（易超過 100 秒逾時）
讓 fp32 matmul 走 TF32 tensor core：CosyVoice3 引擎生效、聽感無差、非 bit-identical。模型已 fp16/bf16，加速多半個位數 %，關掉可 A/B 比對速度
| 參數 | 範圍 | 預設 | 說明 |
|---|---|---|---|
| lora_scale | 0–1 | 留空=checkpoint | 留空用合併好的最佳版；填值(建議0.2–0.5)改用 adapter 即時調強度。勿填 2.0 |
| temperature | 0–1.5 | 0.8 | 越高越隨機 |
| top_p | 0–1 | 0.85 | 核取樣：只從「累積機率達 top_p」的最可能字裡挑。越小越保守穩定、越大越多樣 |
| top_k | 1–200 | 30 | 只從「機率最高的 top_k 個字」裡挑。越小越穩、越大越有變化 |
| repetition_penalty | >0–2 | 1.05 | 重複懲罰，不能是 0 |
| max_new_tokens | 16–10000 | 10000 | 約 12 token/秒；10000≈14分鐘。長文自動切段，每段各自套此上限 |
| best_of | 0–5 | 0（關閉） | 同句多次取樣、選頻譜最乾淨（雜訊/破音最少）那次。0/1=單次最快；2–5 合成時間約 N 倍。注意 Cloudflare 100 秒會逾時(524)，長文＋高 best_of 易超時 |
超出範圍或無效值會自動改用預設（不會報錯），並顯示在上方狀態列。
上傳一段參考音檔即時克隆音色，不需訓練。5–15 秒乾淨人聲效果最佳。
🔤 逐字改音：字後加括號標注音或拼音，例 你（ㄋㄧˇ）、體（ti3）（只改括號前一個字；拼音需帶聲調 1–5）。
克隆滿意後，可把這段參考音＋逐字稿存成「預設聲音」，之後直接在上方各分頁的聲音下拉選用（CosyVoice3 零樣本）。須先成功克隆一次才能存。
維護所有聲音的顯示名稱與分組標籤（訓練聲音＋ICL 預設都可改，只動 metadata 不碰權重）。改 id 會連資料夾與 checkpoint 一起搬。刪除僅開放 ICL 預設（訓練聲音受保護）。
列出該聲音所有訓練版本（各 epoch 的 adapter＋合併 final），用同一段文字逐一合成做 A/B 比對，挑出最好聽的 epoch。
提示：「設為預設」（把某 epoch 變成對外正式版）需要重新合併 adapter，屬於另一個動作，目前先做試聽比對。
上傳音檔，用 SenseVoice 辨識成文字（中英台混合 OK）。可選填「目標文字」自動算 CER 字錯誤率，驗證合成有沒有念對。
上傳音檔轉成你要的格式（ffmpeg 引擎、純 CPU 不佔 GPU）。支援 mp3 / m4a / wma / aac / ogg / flac / wav 互轉，影片（wmv / mp4）會自動抽音軌。
上傳多個音檔合併成一個（ffmpeg、純 CPU 不佔 GPU）。串接＝首尾相接（依選取順序）；混音＝疊加同時播放（如人聲＋配樂）。不同格式/取樣率會自動統一。
上傳一首歌或含背景音樂的音檔，用 demucs(htdemucs) 分離出人聲與伴奏，或拆成 vocals / drums / bass / other 四軌。可拿乾淨人聲當零樣本克隆的參考音。GPU 較快（與合成共用、會排隊）；CPU 不佔 GPU 但長音檔可能數分鐘。
地端音樂生成（ACE-Step）：BGM＝純器樂配樂/jingle；歌曲＝歌詞→含人聲整首歌（支援中文）；風格轉換＝上傳一段音樂當底、生成同風格新曲；翻唱＝把歌裡的人聲換成本服務的克隆聲音（需該聲音已訓練 RVC 模型）。生成需 30 秒～數分鐘，送出後在下方任務列表輪詢，完成即可試聽/下載。
👆 點範例一鍵帶入（歌曲模式連歌詞、建議長度一起帶），帶入後可自行修改再送出；🎲 讓系統幫你挑。
在單一音檔內剪輯：載入音檔 → 波形上框選（修剪/裁切）或放分割點（分割/重組）→ 匯出。波形與試聽純前端、零相依；實際切片串接由伺服器 /v1/edit（ffmpeg、純 CPU 不佔 GPU）。跨多個檔案拼接請用「聲音合併」分頁。
在波形上按住拖曳框選一段，再選「只保留選取」或「刪除選取」（可重複多次累積裁切）。「去靜音」自動保留語音、剔除開頭結尾與長停頓。
多角色對話一次合成、串接成單一音檔。腳本每行一句：角色：台詞（全形或半形冒號皆可）。輸入腳本後會自動列出角色並各配一個聲音，依需要調整後直接「生成 podcast」。文字自動套台灣繁體發音修正。
節奏＝速率/停頓；與「語氣預設」正交（語氣＝風格）
保音高（CV3 原生變速）；建議 0.85–1.15，1=原速
0=原音高；每格一個半音
標準＝每段取樣 3 次選最乾淨＋flow 35 步（雜音明顯較少）；高品質再加整集輸出增強。試稿用快速。
編輯台灣腔發音修正表，存檔即時生效並寫入伺服器設定檔。整詞替換＝整個詞換成想要的字（如 軟體→软体、Qwen→阿里千問、喔喔→喔）。建議優先用「漢字」填替換值（含同音字，如 哇音不對→哇賽→襪賽），交給模型自家發音、咬字與時長最自然；只有「沒有漢字能表達的台灣特殊音」才退而用拼音（前後保留空格，如 角色→ jiao3 se4 ，零聲母/介音音節較易咬字不乾淨）。多音字台灣讀音＝某字只在 g2pW 判定為台灣特有讀音時才強制該拼音（逗號可填多個）。填完用上方「即時測試」確認送進模型的版本，再按存檔。
| 原文 | 替換成 |
|---|
| 字 | 台灣音（逗號分隔，如 wei2） |
|---|
貼入一段文章，逐句合成 → ASR 辨識 → 自動比對，找出念歪的字（聽起來像別的字，如 顯→眼）。每字附同音字 / 簡體修正建議，聽過音檔確認後一鍵加入發音修正表。專抓「念成完全不同的字」；聲調差異 ASR 抓不到、仍需耳聽。
目前 GPU 合成佇列（每 1.5 秒自動刷新）。單張 GPU 一次只跑一筆，其餘排隊。排隊中取消＝完全跳過、不耗 GPU；合成中取消＝在下一個分段邊界（best_of 取樣間 / podcast 逐句間）停，單句一次合成無法即時中斷，會等該句跑完。
| 類型 | 聲音 | 文字 | 狀態 | 取樣 | 時間 |
|---|
過往完成的合成／音樂任務與各自耗時（持久紀錄，服務重啟不消失；新→舊）。用來回答「之前那次生成花了多久」。best_of 取樣數會直接乘上生成時間——podcast 逐句取樣 N 次是變慢的主因。
| 完成時刻 | 類型 | 聲音 | 文字 | 取樣 | 耗時 | 狀態 |
|---|