ChatTTS 控制标签体系——oral、laugh、break、uv_break、lbreak 全解读

两种控制方式

ChatTTS 提供两套互补的韵律控制手段：

全局 prompt——通过 params_refine_text.prompt 给模型一个韵律偏好提示（例如"口语化 + 笑 + 停顿"）
局部内联标签——直接在文本里插入标签，精确控制某句话、某个词的韵律

两套可以同时使用，但如果用了内联标签，通常配合 skip_refine_text=True 效果更可控。

全部标签列表

标签	取值范围	含义
`[oral_0]` ~ `[oral_9]`	0 ~ 9	口语化程度。0 = 完全书面，9 = 非常口语化（带语气词、停顿多）
`[laugh_0]` ~ `[laugh_2]`	0 ~ 2	笑声强度。0 = 不笑，2 = 明显笑
`[break_0]` ~ `[break_7]`	0 ~ 7	停顿等级。数字越大停顿越长
`[uv_break]`	固定	短停顿（约等于 break_3~4），常用于句中语气转换
`[lbreak]`	固定	长停顿（约等于 break_6~7），常用于句末或段落间

使用示例

内联标签（skip_refine_text=True）

text = '你好[uv_break]朋友们，听说今天是个好日子[laugh][lbreak]'
wavs = chat.infer(text, skip_refine_text=True)

全局 prompt

params_refine_text = ChatTTS.Chat.RefineTextParams(
    prompt='[oral_2][laugh_0][break_4]',
)
wavs = chat.infer(text, params_refine_text=params_refine_text)

标签是怎么被处理的

ChatTTS 内部有一个"文本精炼"（Refine Text）模块，它会先对原始输入文本做一轮处理：

把控制标签替换成模型能理解的特殊 token
根据 prompt 中指定的风格，自动在合适的位置补充停顿、语气词
把精炼后的 token 序列送入解码器生成音频

如果 skip_refine_text=True，就跳过自动补充步骤，只保留你写的内联标签——适合完全手动控制的场景。

设计哲学

ChatTTS 的标签体系是故意做得"模糊"的：

[oral_5] 不是一个精确的口语化值，而是告诉模型"请用中等口语化的风格"
同一个标签在不同上下文中的效果可能不一样
模型在韵律上有一定随机性，即使参数相同，每次生成的语音也会有细微差异

这种设计让语音听起来更像真人说话，而不是机械复读。