用 Kokoro TTS 搭建“零上传”企业旁白流程（含合规要点）

一、为什么选择“零上传”

• 合规：内部资料、客户信息、未公开脚本不离开设备。
• 稳定：无需云端 API，峰值时段不排队、不限速。
• 成本：按需本地计算，避免高额并发调用费用。

二、环境与架构

优先使用支持 WebGPU 的现代浏览器；若环境受限，则采用 WebAssembly（线程/SIMD）路径。首次模型下载约 150MB，将缓存在本地，后续离线可用。

三、标准流程（SOP）

1. 脚本准备：按“意群”切分，每段 1–3 句，≤20 秒；标注停顿与重读。
2. 生成与导出：逐段预览→微调标点→导出 WAV（44.1/48 kHz）。
3. 后期与合成：响度归一（−16 LUFS 立体声），软限幅，必要时去齿音；最后拼接导出。

四、合规与权限控制

• 设备级：通过 MDM/组策略限定可用浏览器与版本，确保 WebGPU/WASM 路径可用。
• 数据级：在内部 Wiki 公开“零上传”原则与缓存位置说明，避免误解。
• 素材级：仅使用已获授权的配乐/音效；保留来源记录与许可证。

五、性能优化（WebGPU 与 WASM）

• WebGPU：更低延迟，适合脚本反复打磨与现场预览。
• WASM：兼容性更强；在无 GPU 或虚拟化环境中稳定运行。
• 切分与批量：每段 ≤20 秒，导出分段 WAV；最终在 DAW 或 ffmpeg 拼接。

# 使用 ffmpeg 拼接多段旁白
ffmpeg -i 01.wav -i 02.wav -i 03.wav \
  -filter_complex "[0:a][1:a][2:a]concat=n=3:v=0:a=1[out]" \
  -map "[out]" narration.wav

六、质量控制清单

• 每段只表达一个完整意思；标点清晰，必要时加（停顿）。
• 声线与品牌调性一致；语速适中、吐字清楚。
• 响度目标：−16 LUFS（立体声），峰值不过 0 dBTP。
• 导出：编辑保留 WAV，发布使用 MP3 192–256 kbps。

七、典型落地场景

• 培训与内训：快速生成课程片头片尾与章节摘要。
• 市场物料：产品发布、功能讲解、App 预告片旁白。
• 客服与知识库：在 FAQ 中嵌入“语音版”回答，完全本地生成。

八、常见问题

问：首次加载很慢怎么办？
答：保持页面激活直至进度完成；后续命中缓存会显著加速。

问：某些专有名词读音不理想？
答：在脚本中加入拼读提示或调整拼写，以引导发音。

作者：Kokoro Web 团队 • 最后更新 2025‑01‑15