整个ICL声音复刻的过程中，prompt起到了最关键的作用。声音复刻大模型是会充分学习音频的特征并进行还原，所以质量好的prompt对于复刻效果的保证，是有决定性作用的。如果用户忽视prompt的选择，选取了带有噪声、长度过长（>30s）或过短(<14s)、多人声、人声不清晰、方言严重、带有一些杂音毛刺的prompt，会使得最终复刻效果不佳。

• 训练音频Prompt长度在14~30s，使用wav格式。过长的音频系统会自动截断，有可能会保留瑕疵音频而影响效果；
• 尽可能的选取低噪声、单人且人声效果较好的单轨音频（不用双声道录制）作为prompt；
• 进一步的调优，可以利用降噪等手段，保证音频人声的清晰度（但是降噪会损失一定的相似度，需要注意）；
• 整个音频中情绪尽可能保持一致，不要有过大的起伏，也不要过于平淡、避免发音模糊、语气生硬，注意语气、语调、语速需要贴合内容场景；
• 对于中英混情况，prompt中最好能同时覆盖中英文

• 在豆包声音复刻2.0能力中，新增了context_texts；
• 在通用合成任务中，可以通过类似文本的一句话指令提升合成的情感效果（如：["用最悲伤的语气演绎下面这句话："]）；
• 在LLM文本大模型的后置语音合成任务中，可以通过提供上文query，从而使得合成语音与用户query更适配。如整个LLM中，几轮的对话是 Q: 我今天分手了。A: 啊，那你不要太难过哦。Q:我才不难过呢，那个人太渣了。A: 哈哈，那就好，那你吃点好吃的好好庆祝一下。可以将["我才不难过呢，那个人太渣了。"] 作为context_text送给服务进行合成，从而使得回复语音有更好的对话效果。

一般而言，相对情感平稳的prompt会在生成语音时有更稳定的复刻情感表现：

合成语音：

我不懂啊，随便瞎刷，随便点点看看是什么样子

留学生的钱真好骗；这话说的还真是，你别说

而情感更为丰富的prompt，在多次合成同一文本时，情感也会有一定的变化：

合成语音：

我不懂啊，随便瞎刷，随便点点看看是什么样子

留学生的钱真好骗；这话说的还真是，你别说

Prompt:

合成语音：（不带context_texts）

引航者...你为什么说这些话...真的好过分啊！呜呜...你是不是在开玩笑，别吓我好不好，我不想失去你

合成语音：（context_texts: ["用最悲伤的语气演绎下面这句话："]）

引航者...你为什么说这些话...真的好过分啊！呜呜...你是不是在开玩笑，别吓我好不好，我不想失去你

Prompt:

合成语音：（不带context_texts）

别在这儿扯犊子了！明明是你犯的错还找借口，能不能有点担当啊？！

合成语音：（context_texts: ["用最生气的语气演绎下面这句话："]）

别在这儿扯犊子了！明明是你犯的错还找借口，能不能有点担当啊？！