周末折腾记：本来想装个本地语音克隆，结果先把配音这件事用一条命令解决了

起因

这周末本来打算干件事：我在做一期讲本地语音克隆的视频，脚本写完了，卡在配音上。自己念太干，为三五分钟的视频单独找一次外包又不划算，网上免费 TTS 那种平直的中文机器味，做过内容的大概都熟。

刷 GitHub Trending 的时候正好看见 Python 周榜第一是个叫 VoiceStudio 的项目，一周涨了七千多颗星，累计两万一。口号很直接：fully-local ElevenLabs alternative，本地跑，不要账号，不要订阅，646 种语言。

我当时的想法很朴素：本地跑不花钱，配音这事以后肯定反复做，装一次一劳永逸。

于是先把它的 README 从头翻到尾。翻完我没装。

README 里的三行字

第一行，646 种语言是靠 16 个 TTS 引擎拼出来的，它自己写着一句 "actual coverage and quality depend on the selected engine"。也就是说中文到底哪个引擎靠谱，得我自己一个个装、一个个听。

第二行，默认引擎的权重是 CC-BY-NC，非商用。我要发的是带流量的内容，商用边界得逐个引擎核清楚。

第三行，项目自述 active beta，8GB 内存、10GB 磁盘起步，Intel Mac 连本地后端都跑不起来。GPU 是可选的，CPU 模式能跑，用 GPU 时 4GB 显存起。

这几条不是黑它。声音不出本机在很多场景下是硬需求，16 个 TTS 引擎加 11 个 ASR 引擎的组合也没几个项目比得了，它还带桌面应用、本地 API 和 MCP Server。但对我这种"就想要一段能用的中文旁白"的人来说，路径变成了先装环境、再挑引擎、再核许可，才可能拿到一段还不知道行不行的音频。

我把配音这件事拆出来单独找方案，摸到了百炼 CLI 里的 bl speech 和 bl omni。下面是流水账，包括两个我撞上的报错。

装

npm 这条路要 Node.js 18.17 以上：

npm install -g bailian-cli
bl skill init

不想预装 Node 的话，macOS 和 Linux 有脚本：

curl -fsSL https://bailian.aliyun.com/cli/install.sh | bash

Windows 在 PowerShell 里：

irm https://bailian.aliyun.com/cli/install.ps1 | iex

装完 bl --version，我这边是 1.22.0。然后去控制台建一把 API Key（在这里领，地域记得选华北2 北京，免费额度只在这个地域生效），登录：

bl auth login --api-key sk-xxxxx
bl auth status

auth status 会打印当前 profile、配置文件路径、凭证状态。安装说明和命令清单在 CLI 主页。

免费额度的规则我特意去官方文档核了一遍，网上流传的"100 万 Tokens 永久有效"是错的：每个模型各自一份（通常 100 万 token），90 天有效期，只在北京地域，过期不补不结转，一个模型用完不会去借别的模型的。已认证账号额度用尽会自动转按量付费，怕手滑就开用完即停：

bl usage freetier --all
bl usage free

开了以后超额调用返回 403、错误码 AllocationQuota.FreeTierOnly，看到这个别去翻代码，是额度问题。

先看有哪些音色

这一步只读列表，不调模型，不花额度：

bl speech synthesize --list-voices --model cosyvoice-v3-flash

末尾打一行 Total: 64 voices，四列：VOICE ID、NAME、DESCRIPTION、LANGUAGE。我按语言列数了一遍：中文/英文 36 个（童声 4 个算在里面，还有 1 个台式），粤语 3 个，方言 3 个，美式英语 10 个，英式英语 4 个，日语 5 个，韩语 2 个，印尼语 1 个。

方言那三行我看了两遍：longlaotie_v3 东北直率男、longshange_v3 原味陕北男、longanmin_v3 闽南。做地方内容的人找方言配音有多难，试过就知道，多数云端工具的音色表里根本没这一栏。

童声四个：龙呼呼（天真烂漫女童）、龙泡泡（飞天泡泡音）、龙闪闪（戏剧化童声）、龙牛牛（阳光男童声）。做儿童内容不用自己去调音高。

描述写得挺朴素，"龙橙 智慧青年男"、"龙华 元气甜美女"、"龙天 磁性理智男"、"龙婉 细腻柔声女"。那期视频的旁白我定的是龙橙，跟产品向的内容对得上。

有个细节容易踩：longanyang（龙安洋）是这批里唯一不带 _v3 后缀的，照着别的 ID 的规律给它补一个，就不是列表里的任何一个了。

第一个报错：411

稿子六十来字，直接写在命令里：

bl speech synthesize --text "很多人以为做中文配音得先租录音棚。这一期我想说的是，本地克隆解决的是声音归谁的问题，中文念得像不像人，是另一个问题。" --voice longcheng_v3 --out narration.mp3

第一次跑我没写 --model，返回是这个：

[Model: qwen-audio-3.0-tts-plus] [Voice: longcheng_v3]

Error:       [cosyvoice:]Engine error [411]: TTS speak operation failed
Status:      HTTP 400 (InvalidParameter)
Exit code:   1

我以为是音色名抄错了，换了四个音色名重试，一样 411。这才去翻 bl config show，profile 里写着 default_speech_model: qwen-audio-3.0-tts-plus，它把 --model 的默认值接管了，而 longcheng_v3 是 cosyvoice 系的音色。--help 里那句 "System voices vary by model" 说的就是这件事。

修法两个。要么每次显式带上 --model：

bl speech synthesize --model cosyvoice-v3-flash --text "测试" --voice longcheng_v3 --dry-run

要么改一次配置，之后就不用管了：

bl config set --key default_speech_model --value cosyvoice-v3-flash

顺便说下 --dry-run，它是全局 flag，打印实际请求体但不发起调用。我后面改参数都先干跑一遍，model 那行是不是你以为的那个，一眼就看出来，不用等报错。

正式那条命令补上 --model 就是：

bl speech synthesize --model cosyvoice-v3-flash --text-file script.txt --voice longcheng_v3 --rate 0.9 --instruction "用讲给朋友听的语气，别像念稿" --out narration.mp3

--rate 范围 0.5 到 2.0，默认 1.0。口播稿信息密度高，默认语速容易赶，我习惯压到 0.9 给句尾留点余地。--instruction 收自然语言，不用去记风格参数名，不过同一段描述换个音色表现就不太一样，只能靠听。

挑音色不想满地留文件的话用流式：

bl speech synthesize --model cosyvoice-v3-flash --text "Hello, this is a streaming test." --voice loongabby_v3 --language en --stream | afplay -

--stream 出来的是裸 PCM，必须管道接播放器，直接重定向成 mp3 是打不开的。Linux 上换 ffplay -nodisp -autoexit -f s16le -ar 24000 -ac 1 -，--help 的示例里有完整写法。

第二个报错：说话人分离被顶回来了

视频里想放一段选题会的录音转写，双人对话，我希望结果自带"谁说的"。第一次这么写：

bl speech recognize --url meeting.wav --diarization --speaker-count 2 --out result.json

连请求都没发出去，零点三秒就被顶回来了：

Error:       Model "qwen-audio-3.0-asr-flash" uses sync Flash ASR and does not support: --diarization, --speaker-count.
Hint:        Use an async filetrans model (e.g. fun-asr, qwen3-asr-flash-filetrans) for those flags.
Exit code:   2

说话人分离必须走异步 filetrans 模型，同步的 Flash ASR 不支持。这次是 CLI 的本地前置校验拦的，好处是没白跑一趟请求，Hint 里直接把该用哪个模型写出来了：

bl speech recognize --model fun-asr --url meeting.wav --diarization --speaker-count 2 --out result.json

--url 这名字有点误导，它同时收音频 URL 和本地路径，可以重复传，最多 100 个。--speaker-count 依赖 --diarization，单写不生效。有专有名词的场合挂热词表 --vocabulary-id，产品名人名会稳一些。长音频加 --async 拿任务 ID 走人，--poll-interval 默认 2 秒。

计价每秒 0.00022 元，一小时七毛九。要注意的是它是任务制的，实时字幕这类需求不对口。

让我改了看法的是第三条命令

前面两条还是"文本进音频出"和"音频进文本出"。bl omni 是另一种东西，图片、视频、音频都能当输入，输出可以同时是文字和语音。

我拿它做的事是短视频封面自查。封面在手机上只有指甲盖那么大，你想知道第一眼跳出来的是什么：

bl omni --message "user:这张封面图上最抢眼的是什么？一句话回答，别夸我。" --image cover.jpg --voice Tina --audio-out reply.wav

默认模型 qwen3.5-omni-plus。它的音色是另一套，和 cosyvoice 那 64 个不通用：

bl omni --list-voices

Total: 13 voices。默认 Tina（甜妹），还有北京胡同少年 Dylan、粤语阿清 Kiki、南京老李 Li、四川晴儿 Sunny、陕西秦川 Marcus、成都大哥 Eric、天津捧哏 Peter。想让模型直接用方言回答，把要求写进 message 再配对应音色，--help 自带这个例子：

bl omni --message "Answer in Sichuan dialect: How's the weather today?" --voice Sunny

--text-only 这个开关值得单独说，看计费就明白了：文本和图片视频输入每百万 token 七块，音频输入五十三块，纯文本输出四十块，文本加音频的输出两百一十三块（输出里那部分文本不再单独计费）。语音输出比文本输出贵五倍多。所以我调 prompt 的时候一律带 --text-only，逻辑对了再摘掉它去要音频。

模型自述能吃超过十小时的音频、400 秒的 720P 音视频，支持 60 多种语言音频输入、30 多种语言语音输出。那是能力上限，纯转写还是 fun-asr 划算。

把三步写成一个 YAML

那期视频的流程是三步：给个选题，出口播稿，再配音。要每天更一条，这三步就得串起来。

version: workflow/v1
steps:
  - id: script
    type: text/chat
    input:
      message: "{{topic}}"
      system: "你是短视频口播文案作者。只输出口播稿正文，120字以内，不要标题，不要解释。"
  - id: voiceover
    type: speech/synthesize
    input:
      text: "{{steps.script.output}}"
      model: cosyvoice-v3-flash
      voice: longcheng_v3
      rate: 0.95
      out: voiceover.mp3

{{topic}} 是运行时传进去的，{{steps.script.output}} 是上一步的产出。步骤类型有 11 种，语音相关的是 speech/synthesize 和 speech/recognize。

校验的时候我犯了个小错，一开始写的是 bl pipeline validate voice-workflow.yaml，被顶回来一句 Unexpected argument。validate 和 run 一样，文件必须走 --file：

bl pipeline validate --file voice-workflow.yaml

通过会回一句 Pipeline definition is valid.。再看执行计划，这一步不花额度：

bl pipeline run --file voice-workflow.yaml --input '{"topic":"本地语音克隆工具的中文短板"}' --dry-run

Pipeline planned [~]

  [~] script (text/chat) — planned
  [~] voiceover (speech/synthesize) — planned

![成本对比：bl vs ElevenLabs vs VoiceStudio](../../assets/inline/cost-compare.jpg)

确认步骤和依赖没问题，去掉 --dry-run 真跑。想并行加 --concurrency，想把每步的生命周期事件接到日志里加 --events jsonl。

有个设计细节我觉得挺讲究：script/js 这一步的 code 必须是字面字符串，校验器会明确拒绝从上游步骤取代码，理由是"会把不可信文本当宿主机代码执行"。要在上一步产出上做判断，用 logic/assert（字段是 condition，支持 {{steps.x.output}} 插值）或者 logic/switch。

算笔账

价格是 bl model list --model <模型> --output json 直接打出来的，不是抄的第三方汇总：

模型	单价
cosyvoice-v3.5-flash	¥0.8/万字符（不吃系统音色，要传 clone 或 design 音色 ID）
cosyvoice-v3-flash	¥1/万字符（64 个系统音色在这个模型上）
cosyvoice-v3.5-plus	¥1.5/万字符
cosyvoice-v3-plus	¥2/万字符
cosyvoice-clone-v1	¥2/万字符（声音复刻）
fun-asr	¥0.00022/秒，约 ¥0.792/小时
qwen3.5-omni-plus	输入 ¥7（文本/图/视频）、¥53（音频）；输出 ¥40（文本）、¥213（文本+音频）每百万 token，Batch File 约五折

十二万字的中文配音，按量付费是十二块钱。六十来字的稿子试十个版本不到一毛钱，这是我愿意把配音收回自己手里做的全部理由。

海外订阅制那边，ElevenLabs 官方 pricing 页现在是 Free $0、Starter $6、Creator $22（首月 $11）、Pro $99、Scale $299、Business $990，按 credit 计，TTS 大约 1 credit 一个字符，Speech to Text 是 330 credits 一分钟。Creator 那档一个月 121,000 credits，也就是十二万字符左右，跟上面那个十二块钱是同一个量级的活。转写一小时 19,800 credits，这边七毛九。汇率按 1 美元 ≈ 7.1 人民币估的。

订阅制的问题不在贵，在于它和用量脱钩。一个月配三条视频的人和每天更的人付一样的钱。

VoiceStudio 那边的钱确实花不出去，代价换了个形态待在那儿：从 16 个引擎里挑一个中文能听的，把 CC-BY-NC 的许可读一遍，active beta 期间遇到的问题自己扛。

最后

三条路不互斥，我这期视频最后就是混着用的。

要克隆某个特定人的声音、素材又不能出本机，走 VoiceStudio 这类本地方案，它带 MCP Server，能被 Agent 直接调用，这个形态云端给不了。

要中文成品配音、要方言和童声、要转写带说话人分离、要按量付费不背订阅，走 bl。

要模型看着素材直接开口说话，bl omni 这条我暂时没找到同形态的替代。

想上手的话先跑那条 --list-voices，不花钱，64 行看完对中文音色市场有什么就有数了。挑音色没有捷径，ID 摆在那儿，中文名和描述能帮你缩到三五个，剩下的拿自己那段稿子挨个试。模型和价格随时可以查：

bl model list --capability TTS
bl model list --capability ASR
bl model list --model cosyvoice-v3-flash

控制台侧的模型大全和体验入口在百炼首页。