Drama-3使用演示：参考音频、文本指令与接口

【语音合成】Drama-3 使用演示：参考音频、文本指令与接口

Drama-3 的这段演示展示了一条简短的文本转语音流程：启动作者提供的运行环境，在网页界面输入待朗读文本，使用参考音频生成声音，再尝试文本指令和接口调用。它适合用来理解几个输入区域各自负责什么，不是从零安装教程。

以下按刘悦的视频画面与完整可用官方字幕整理。视频没有完整交代安装依赖、模型获取、接口参数或部署安全设置，因此本文不补写未经演示的命令。

1. 启动环境，先确认网页和服务已经就绪

视频开头，作者双击启动，随后说明接口服务会自动启动。进入网页后，可以看到待合成文本输入区、参考音频区域、若干生成参数和输出音频播放器。

这里的“双击启动”指作者已经准备好的环境，不能理解成任意电脑都只需双击即可运行。若你尚未取得对应环境，应先核对作者提供的说明与依赖要求；本演示不足以确定安装路径、Python 或显卡驱动版本。

建议第一次先使用简短、自拟的文本，保持默认参数，确认能够得到音频，再调整其他输入。这样可以把“环境是否正常”和“音色、表达是否合适”分开检查。

2. 分清待朗读文本与参考音频

约 00:23 的画面中，左侧是待合成文本，右侧是参考音频及其播放控件。作者说明此次默认使用参考音频，并在后续展示多段合成结果。

这两个输入不要混淆：

• 待合成文本：你希望输出语音说出的内容。
• 参考音频：供生成时参考声音的素材，并非要朗读的文字本身。
• 输出音频：生成之后供试听、检查的结果。

初次操作可以沿用已配置的参考音频，输入一段简短文本后执行合成，在输出播放器中试听。需要换成自己的参考声音时，应只使用本人或已获授权的录音；视频没有展示完整换音频流程及素材规格，不能据此规定文件长度、采样率或声道数。

试听时，优先检查是否漏读、读错、停顿异常，再比较声音表现。视频里的几个样例只代表作者演示时的结果，不能据此保证所有文本、语言或参考声音都有相同效果。

3. 文本指令与正文要分别理解

约 01:40，作者说明“支持指令输入”；随后的画面仍展示文本输入、参考音频和生成区域，并给出新的声音结果。

可以把这一操作理解为：除了告诉模型“说什么”，还尝试通过指令影响“怎样说”。不过，视频没有系统说明指令的完整语法、可选项或有效范围，因此不能把某一种写法当成所有版本都支持的规范。

实际试用时，建议固定同一段正文，只改变一项表达要求，比较两次输出是否确实发生变化。这是便于判断效果的操作建议，不是作者已经完成的对照测试。如果结果不符合预期，先回到默认输入进行比较，不要仅凭一次输出认定指令一定有效或无效。

4. 网页操作与接口使用是两种使用方式

约 02:10，作者展示接口服务相关画面，并说明可以直接使用接口服务，随后出现测试用的语音结果。

网页界面适合手工填写文本、调整输入并试听；接口使用则是把语音合成功能接入其他程序的方向。视频证明的是作者展示了这一使用入口，不是完整的 API 开发文档。

如果要进一步接入自己的程序，应查阅与你实际运行版本匹配的接口说明，确认请求地址、字段、返回音频格式及错误处理方式。本文不从画面猜测接口端点，也不提供未经验证的调用示例。对外提供服务前，还需要单独检查访问控制，不能把本地演示等同于已安全部署。

5. 如何理解“8G 显存可用”和 4060 演示

作者在视频标题中标注“8G 显存可用”，字幕中说明使用的是 4060 笔记本，并展示显存占用情况。这些属于作者对演示环境的说明，并非本文独立复测结果。

视频没有给出足以复现的完整硬件、模型配置、输入长度与峰值显存测量条件，因此不能推导出所有 8G 显卡都能处理任意长文本，也不能保证生成速度、并发能力或长文本稳定性。标题中的超长文本能力同样不应被理解成没有长度或资源限制。

小结

这段短演示最有价值的是区分三个环节：先启动已配置的环境，再用“文本＋参考音频”完成一次合成，最后尝试文本指令或按实际接口文档扩展调用。先跑通短文本、逐项修改输入并试听，比同时改动多个参数更容易定位问题。

来源：刘悦，B站视频 BV1J7nr6vEN7，源发布时间为北京时间 2026 年 10 月 21 日 22:36:37，视频时长 2 分 23 秒。

整理范围：完整可用官方字幕与所见操作画面；不是 ASR 全语音转写。本文省略广告与大段声音样例，不对资源可用性、许可、价格或未实测性能作保证。