仓库根目录下的一组 .bat 脚本，覆盖 audio.cpp 的三种本地运行方式：命令行单句合成、
HTTP API 服务、图形界面。所有脚本都可以双击运行，也可以在命令行/PowerShell
里带参数调用。
| 脚本 | 作用 | 典型命令 |
|---|---|---|
run_cli_tts.bat |
单句/单次命令行 TTS | run_cli_tts.bat qwen3-tts "你好世界" |
run_server.bat |
OpenAI 兼容 HTTP API 服务 | run_server.bat qwen3-tts 8088 |
run_server_asr.bat |
Qwen3-ASR 服务（run_server.bat 的 ASR 预设） |
run_server_asr.bat（默认 :8081） |
run_webui.bat |
Gradio 网页界面（按需起服务） | run_webui.bat |
_env.bat |
共享环境探测（不直接运行） | 被其它脚本 call |
长文本合成不再需要单独脚本（原
run_tts_long.bat已移除）：WebUI 的 TTS 标签页会自动 把长文本分段（VibeVoice 600 字/段，其它模型 1000 字/段），逐段合成后拼接成一个 wav。 命令行等价物是audiocpp_cli的--batch-text-file <txt> --batch-merge-audio concat。反过来，VibeVoice 对过短文本（约 <40 个汉字）会整段胡言乱语——模型特性，与音色/ 参数/seed 无关，WebUI 会直接拦截并提示加长文本或改用其它模型；分段后的过短尾段也会 自动并回前一段。短句测试请用
qwen3-tts/voxcpm2/pocket-tts。
- 模型用 catalog id 指定。 两个合成脚本（cli / server）都用
configs\models_catalog.json里的 id 来指定模型，脚本会自动查出它的family/task/ 绝对路径，你不用再手写这些。 当前已安装的 id：qwen3-tts、qwen3-asr、vibevoice、omnivoice、pocket-tts。 未安装的 id 会提示 “not installed”，可在 WebUI 里下载，或用python tools/model_manager.py install <download_id>安装（见models_catalog.json）。 - 后端自动选择： 检测到 CUDA（NVIDIA 驱动）就用 GPU，否则回退 CPU。
想强制某个后端，设环境变量
AUDIOCPP_BACKEND=gpu（=cuda）或AUDIOCPP_BACKEND=cpu。 CLI、server、WebUI 都遵循这一检测（无 N 卡的机器自动落到 CPU 版，速度较慢、部分大模型不实用）。 - 路径基准： 脚本内相对路径（如
voice\demo_01_man.wav、output\xxx.wav）都相对webui\目录。 - 可执行文件来源： 自动定位整合包
..\audiocpp-portable（内含cpu\ gpu\ models\）， 脚本被拷进整合包时也能自识别。
被其它脚本 call，负责一次性设置好公共变量（故意不用 setlocal，这样变量能带回调用方）：
BUNDLE— 整合包根目录（含cpu\ gpu\ models\）HAS_CUDA— 是否检测到 CUDA（nvcuda.dll或nvidia-smi）BACKEND/CLI_EXE— 选定的后端（cuda/cpu）与对应的audiocpp_cli.exeSERVER_EXE— 按BACKEND选gpu\或cpu\的audiocpp_server.exe（cpu 版缺失时回退 gpu 版）PY— 带依赖的 Python（供run_webui.bat用）
改动探测逻辑只需改这一个文件。
一次加载模型、合成一句、输出一个 wav。适合快速测试或脚本化单次生成。
用法: run_cli_tts.bat [model_id] ["合成文本"] [voice_ref] [ref_text]
| 位置参数 | 含义 | 默认 |
|---|---|---|
1 model_id |
catalog 里的模型 id | qwen3-tts |
2 "文本" |
要合成的文本（含空格务必加引号） | 一句英文示例 |
3 voice_ref |
参考音色 wav（声音克隆用） | voice\demo_01_man.wav |
4 ref_text |
参考音频对应的文本 | 示例台词 |
- 输出固定到
output\out_cli.wav（可在脚本顶部改OUT）。 - 语言、
max-tokens、seed等也在脚本顶部可改。 - 非声音克隆的模型可把
VOICE_REF留空（脚本会自动不带--voice-ref）。
示例
run_cli_tts.bat qwen3-tts "Hello, this is audio dot cpp."
run_cli_tts.bat qwen3-tts "换个音色" voice\demo_02_woman.wav "her reference line."
set AUDIOCPP_BACKEND=cpu & run_cli_tts.bat qwen3-tts "强制用 CPU 跑"启动一个 OpenAI 兼容的 HTTP 服务，供其它应用调用。后端自动检测：有 CUDA 用 GPU， 否则用 CPU 版 server（CPU 下自动把 ggml 线程数设为核数-1；速度较慢，部分大模型不实用）。
用法: run_server.bat <model_id> [port] [device]
| 位置参数 | 含义 | 默认 |
|---|---|---|
1 model_id |
catalog 里的模型 id | （必填） |
2 port |
监听端口 | 8088 |
3 device |
GPU 设备号 | 0 |
-
脚本会用该 id 生成一份单模型、绝对路径的临时配置
%TEMP%\audiocpp_server_<port>.json（按端口命名，两个实例互不冲突），再启动 server。 -
同时起两个服务：在两个窗口分别运行不同 id + 不同端口，例如一个做 TTS、一个做 ASR：
run_server.bat qwen3-tts 8088 :: 窗口 A：TTS run_server_asr.bat :: 窗口 B：ASR（= run_server.bat qwen3-asr 8081）⚠️ 两个模型要同时装进显存（8GB 下 0.6B + 0.6B 没问题；两个 1.7B 装不下）。 -
run_server_asr.bat：run_server.bat的 ASR 预设包装，双击即用。 参数为[port] [device] [model_id]，默认8081/0/qwen3-asr。 -
局域网访问：设
AUDIOCPP_HOST=0.0.0.0让其它机器能连（无鉴权，仅在可信内网使用）。
| 方法 | 路径 | 说明 |
|---|---|---|
| GET | /health |
就绪状态 + 已配置模型数 |
| GET | /v1/models |
列出该实例加载的模型 |
| POST | /v1/audio/speech |
文本转语音，默认返回 audio/wav |
| POST | /v1/audio/transcriptions |
语音转文本（ASR） |
| POST | /v1/tasks/run |
通用任务入口（字段同 CLI 请求格式） |
参考音色是每次请求带的（server 端不预存音色）。声音克隆 TTS 每个请求要带
voice_ref+reference_text。请求里的voice_ref/audio路径是服务器本机路径， 相对路径以 server 的工作目录（用本脚本启动时即webui\）为基准，也可用绝对路径。
TTS（用现成模板 configs\req_speech.json，其中含 input/voice_ref/reference_text）：
curl http://127.0.0.1:8088/v1/audio/speech -H "Content-Type: application/json" -o output\out_server.wav -d @configs\req_speech.jsonASR（音频用服务器本机路径）：
curl http://127.0.0.1:8081/v1/audio/transcriptions -H "Content-Type: application/json" -d "{\"model\":\"qwen3-asr\",\"audio\":\"D:/path/to/input.wav\"}"查看状态：
curl http://127.0.0.1:8088/health
curl http://127.0.0.1:8088/v1/models启动 Gradio 网页界面（webui.py），浏览器访问 **http://127.0.0.1:7860**。
- 按需加载：不需要先跑
run_server.bat——在界面里选模型点“加载”/“生成”时，WebUI 会自动 起/切换底层的audiocpp_server（一次一个模型在显存里，换模型即重启）。 - 界面里可上传参考音色、下载未安装的模型、填 HF token / 代理等。
- 后端自动检测（同上：有 CUDA 用 GPU，否则 CPU）；
AUDIOCPP_BACKEND=gpu|cpu可强制。 CPU 模式下 ggml 线程数自动设为核数-1（可用AUDIOCPP_THREADS=N覆盖），且不再显示显存警告。
网页界面（7860）是给人用的；要给其它程序当 API，请用
run_server.bat起的 8088 那个服务， 或让 WebUI 起来后直接打它的 8088 端口（见run_server.bat的端点表）。
TTS 标签页「合成设置 → 高级参数」里的控件由 configs/model_params.json 驱动：选中某个模型后，WebUI 按其 family 动态生成对应的滑块/数字框/开关/文本框（gr.render），不用再手写 JSON。控件下方还留了一个可折叠的「其它参数（JSON）」兜底框，用于传配置里没列出的键。通用规则：
- 只有你改动过的控件值才会随请求发送（未动的用模型自身默认值）；
options合并顺序：家族默认 → 生成的控件 → JSON 框（JSON 覆盖控件）。 seed、max_tokens已有专用输入框（合成设置），不在此重复。- 参考音色用「上传/录制」或「内置参考音色」；参考音频对应的原话用「参考文本」框（等价
reference_text）。 - 填错的值通常被忽略，或由 server 报错——错误显示在输出音频下方（不弹卡片）。
- Chatterbox 的克隆参数在模型加载时固定：改动后需重新点『📥 加载模型』才生效（否则会报 “session config is fixed”）。
按 family 分组，每项一个控件规格：
{"name": "guidance_scale", "type": "slider", "label": "guidance_scale",
"default": 1.3, "minimum": 0.0, "maximum": 5.0, "step": 0.1, "info": "CFG 引导强度"}name：透传给请求options的键名。type：slider/number（precision:0表整数）/bool/text/choice（配choices:[...]）。default应等于模型默认值（已按各src/models/<family>/*.cpp校对）。- 改完点界面上的『🔄 刷新列表』即可重新加载本文件，无需重启。
- 文件路径 / parity 类少见参数（如
*_noise_file）未纳入控件，可用「其它参数（JSON）」框传。量化键（如vibevoice.weight_type）见项目根README.md。
下表是每个模型 session.cpp 实际读取的完整可用键（控件是其中精选的常用子集；其余键仍可用 JSON 框传）：
| 模型（family） | 可用键（JSON 框也可传） | 示例 |
|---|---|---|
| Qwen3-TTS（qwen3_tts）0.6B / 1.7B / CustomVoice | do_sample temperature top_k top_p；CustomVoice 版另有 speaker |
{"do_sample": true, "temperature": 0.8, "top_k": 40, "top_p": 0.9}CustomVoice 选内置音色： {"speaker": "<CustomVoice 音色名>"} |
| VibeVoice（vibevoice）1.5B 长文/多说话人 | num_inference_steps guidance_scale max_length_times do_sample temperature top_k top_p；多说话人 voice_samples（逗号分隔 wav，最多 4，不能与参考音色同用） |
{"num_inference_steps": 10, "guidance_scale": 1.3, "max_length_times": 2.0}多说话人： {"voice_samples": "D:/a.wav,D:/b.wav"} |
| VoxCPM2（voxcpm2） | num_inference_steps guidance_scale min_tokens retry_badcase retry_badcase_max_times retry_badcase_ratio_threshold；参考原话 prompt_text |
{"num_inference_steps": 10, "guidance_scale": 2.0, "retry_badcase": true} |
| MioTTS（miotts，需 MioCodec） | temperature top_k top_p repetition_penalty presence_penalty frequency_penalty do_sample best_of_n best_of_n_enabled best_of_n_language |
{"temperature": 0.9, "top_p": 0.9, "repetition_penalty": 1.1, "best_of_n": 3} |
| Chatterbox（chatterbox，声音克隆） | exaggeration guidance_scale temperature repetition_penalty min_p top_p s3gen_cfg_rate max_new_tokens do_sample greedy stop_on_eos |
{"exaggeration": 0.5, "guidance_scale": 0.5, "temperature": 0.8, "repetition_penalty": 1.2} |
| OmniVoice（omnivoice） | instruct（风格/指令文本）；reference_text（一般用「参考文本」框即可） |
{"instruct": "以轻快的语气朗读"} |
| Pocket TTS（pocket_tts） | 无专用高级参数（只需参考音色 + 语言） | — |
键名取自各模型
src/models/<family>/session.cpp实际读取的选项；同一键在不同模型里的取值范围/含义可能不同。量化相关键（如vibevoice.weight_type、voxcpm2.*_weight_type）见项目根README.md的量化章节，不是通用默认项。
页面上的提示已精简，完整说明集中在这里。
ACE-Step（音乐生成/编辑）
- 提示词写风格/乐器/情绪（英文效果最好），可选填歌词；时长填
-1表示自动。 task_route操作类型：text2music＝纯文生曲（默认，不需要源音频）；cover＝换词翻唱 （原版 Remix 主路线，配合下面两个 cover 滑条）；cover-nofsq＝cover 变体（不过 FSQ 量化）；remix＝flow-edit 精细换词；complete/lego/extract/repaint为其它编辑路线。 除 text2music 外都需要上传源音频。- 上传源音频后建议先点『🔍 分析源音频』：反推源曲描述/歌词/BPM/调性并自动填入高级参数 （remix/cover 换词前尤其建议；首次需先『📥 加载模型』，1 分钟音频约需几十秒）。 分析结果可复现：同一音频每次分析一致（VAE 均值编码；seed=-1 时分析固定用 1234， 想重抽歌词转写可换一个具体 seed）。
- 扩散参数：
num_inference_stepsturbo 上限 20，remix 路由不填时默认 16、其他路由默认 8；shift（时间步弯曲）默认 3.0 对齐原版 turbo UI——调回 1.0 会明显劣化 remix 换词咬字。 - cover 路线两个滑条：
audio_cover_strength（Remix 强度）：多少比例的去噪步参考源曲结构，1=贴近原曲、 0=自由发挥；原版 Remix 建议 0.5。仅 cover/cover-nofsq 生效。cover_noise_strength（旋律保持）：从源曲部分加噪的起点开始去噪，0=不保旋律、 0.1~0.25=推荐区间（保旋律又能换词换风格）、越高越贴原曲。仅 cover 生效。
- remix（flow-edit）参数：
source_caption/source_lyrics：源侧文本条件（源歌曲本来的风格描述 / 原歌词， 带[Verse][Chorus]标签）；留空 caption 用主提示词；『🔍 分析』可自动填。 新歌词写在主界面『歌词』框。flow_edit_n_min（编辑起点）：跳过前面高噪声步的比例，0=从头编辑；调大更保源曲但换词更弱。flow_edit_n_max（编辑终点）：1=全程配对编辑；调低到 0.7~0.9 时收尾只朝新歌词去噪—— 歌词唱不出来时优先调这个。flow_edit_n_avg：每步多次采样取平均（remix 默认 2，更稳），1=最快。 注意 remix 默认 16 步 × n_avg 2 ≈ 旧默认（8 步 ×1）4 倍耗时，求快可手动调回。
- 曲谱参数
bpm/keyscale（如F major、c# minor）/timesignature（如4）： 0/留空=不指定；『🔍 分析』后自动填。
Stable Audio（音乐/音效）：提示词仅支持英文，不使用歌词；music 版生成音乐、sfx 版生成音效。
上传源音频可做续写/修补：audio_input_kind 选 init_audio（配 init_noise_level 强度）或
inpaint_audio。
HeartMuLa（歌词+标签生成歌曲）：高级参数 tags 必填（逗号分隔，如
pop,bright,drums,female vocals），『歌词』填唱词。3B 模型，官方 120 秒长歌实测峰值显存
~25G（docs/memory_saver.md），8G 显卡跑不动；已默认开 mem_saver，长歌曲可开 infinite_mode。
Chatterbox VC（语音转换）：源语音提供内容，目标音色参考提供说话人身份，输出 24kHz
单声道语音。s3gen_cfg_rate 控制音色引导强度，num_inference_steps 控制生成步数；默认分别为
0.7 和 10。该入口与 TTS 页的 Chatterbox 声音克隆共用同一套模型文件。
Seed-VC（语音转换）：源语音 + 目标音色参考（几秒到几十秒干净人声）。route 留空按任务默认
（vc 条目→v2_vc，svc 条目→v1_svc）；v1_whisper_bigvgan_vc / v1_xlsr_hift_vc 为 v1 旧路线；
v1_svc 只能配 svc 条目。intelligibility_cfg_rate / similarity_cfg_rate 仅 v2 生效，
inference_cfg_rate 仅 v1 生效。
Vevo2（语音转换）：默认 route=style_preserved_vc（保留源语音的说话风格，只换音色）。
route 留空按条目任务默认（vc→style_preserved_vc，svc→style_preserved_svc，s2s→editing），
且须与所选条目任务匹配；style_converted_* / editing 需在「其它参数(JSON)」里补
style_ref（服务器本地 wav 路径）/ style_ref_text / target_text。
use_pitch_shift（按源/目标中位音高差整体移调）留空按路线默认：style_preserved_* 及
singing 路线默认开，style_converted_vc / editing 默认关。
长音频按『目标音色时长 + 每段源时长 ≤ 显存预算』自适应分段后拼接，参考音色超过约 10s
自动截短（8G 显存限制）。
- VibeVoice：多说话人脚本每行
Speaker N: 内容（N 从 0 起），只填普通文字会自动包成Speaker 0: ...。多角色不同音色用高级参数voice_samples（逗号分隔服务器本地 wav，≤4 个）， 此时不要再上传参考音色。 - VoxCPM2 / Qwen3-TTS：上传/选一段干净的单人参考音色并在『参考文本』填该音频的原话， 否则可能提前截断。长文本自动分段合成后拼接；VoxCPM2 在 8G 显卡默认 q8_0 量化。
- Chatterbox：语言只支持 english / spanish / french / german / italian / portuguese / korean （无中文/日文/俄文，也没有自动检测）；『留空』=英语。
- Qwen3-ASR：长音频自动在静音处按 ≤60 秒分段转写后拼接。『上下文提示』填人名/术语/背景 （如：会议讨论 ggml 量化，参会人：张伟、李娜）帮助认出专有名词。对话模式（限 120s）先用 Sortformer 说话人分离（≤4 人）再逐段转写成带说话人和时间戳的对话稿，需已安装 Sortformer 模型。
- 音频分析（VAD/分离/对齐）：WAV 输入自动转 16 kHz 单声道后送模型，结果时间轴按 16 kHz 换算。 Qwen3 强制对齐单次音频上限约 115 秒。
- 音源分离：HTDemucs 输出 drums/bass/other/vocals 四轨（长音频耗时较长）； Mel-Band RoFormer 输出人声轨 + 伴奏轨（mixture − vocals）。
- IndexTTS2（0.3 新增）：中/英声音克隆，必须提供参考音色。情感控制在高级参数：
emotion_text填情感描述（填了会自动开启use_emotion_text）+emotion_alpha调强度； 或勾use_emotion_text从朗读文本自动推断；emotion_vector（8 个浮点）走 JSON 兜底框。 - Irodori-TTS（0.3 新增，日语）：500M 默认无参考直接生成，上传参考音色自动切克隆
（界面替你发
no_ref=false）；600M VoiceDesign 在『声音设计』页用日语 caption 描述音色。 语言下拉只认 japanese/留空。 - MOSS-TTS（0.3 新增）：Local v1.5 纯文本可生成，克隆时建议配『参考文本』，输出 48kHz 立体声；Nano 100M 轻量，无参考=续写式生成（音色随机），有参考=克隆。
- Supertonic 3（0.3 新增）：预置音色多语种 TTS（英/日/韩/欧洲语种，无中文），
高级参数选
voice（M1-M5 男 / F1-F5 女）和speaking_rate；不支持参考音频克隆。 - Fish Audio S2 Pro / Higgs Audio v3 TTS 4B：均支持直接 TTS 和参考音色克隆； Fish Audio 使用参考音频时必须填写逐字匹配的参考文本。
- OuteTTS 1.0 1B：多语种 TTS；克隆必须提供参考音频和逐字匹配的参考文本， 建议约 10 秒、最长 20 秒。
- VieNeu-TTS v3 Turbo：越南语/英语 TTS，上传参考音色可进行即时声音克隆。
- 模型下载在后台进行，进度自动刷新，也可点「📊 下载进度」手动查看。
每个任务页的「模型管理」卡片都提供同一组 GGUF 操作：选择类型（默认 q8_0）后点「🧊 转换 GGUF」，
会把结果写为所选模型目录下的 model.gguf；已有文件不会被覆盖。点「🔎 检查 GGUF」会在页面上执行
audiocpp_gguf.exe --inspect 并显示包的元数据。对已接入原生 GGUF 的模型，目录存在 model.gguf 时，普通
「📥 加载模型」会自动优先使用 GGUF；点「🗑️ 删除 GGUF」会删除该文件（以及同名残留 .tmp），下次普通加载
即恢复原始权重。
- 转换器按顺序查找开发构建的
build\windows-cuda-release\bin/build\windows-cpu-release\bin，以及整合包的audiocpp-portable\gpu/audiocpp-portable\cpu；也可用AUDIOCPP_GGUF指向自定义audiocpp_gguf.exe。 - 页面只会把已接入原生 GGUF 模型规格、且能明确整理转换输入的模型标为「可转换」；存在
.safetensors不代表对应 C++ 后端已支持 GGUF。支持转换但尚未完整安装的模型会提前显示「可转换，但模型未完整安装」，便于下载前判断； Stable Audio 当前仍使用原始权重，不会标为可转换。 - 页面自动处理受支持的单个
model.safetensors、分片索引和 Qwen3-TTS 复合权重。其他需要多个命名--input namespace=...的复合模型仍应使用命令行，避免 UI 猜错权重命名空间。 - 仅 audio.cpp-native GGUF 可加载；量化兼容性因模型和推理路线而异。转换成功也应先用短样本检查输出质量。
完整清单见 configs\models_catalog.json（每条含 id / family / path / task / download_id）。
常用：
| id | 家族 | 任务 | 说明 |
|---|---|---|---|
qwen3-tts |
qwen3_tts | tts | Qwen3-TTS 0.6B（声音克隆） |
qwen3-asr |
qwen3_asr | asr | Qwen3-ASR 0.6B |
vibevoice |
vibevoice | tts | VibeVoice 1.5B（长文/多说话人，Speaker N: 脚本） |
omnivoice |
omnivoice | tts | OmniVoice |
pocket-tts |
pocket_tts | tts | Pocket TTS（需参考音色） |
index-tts2 |
index_tts2 | tts | IndexTTS2（中英克隆+情感，需参考音色） |
irodori-tts |
irodori_tts | tts | Irodori-TTS 500M（日语） |
irodori-tts-vdesign |
irodori_tts | vdes | Irodori-TTS 600M VoiceDesign（日语 caption） |
moss-tts-local |
moss_tts_local | tts | MOSS-TTS-Local v1.5（48kHz 立体声） |
moss-tts-nano |
moss_tts_nano | tts | MOSS-TTS-Nano 100M（轻量） |
supertonic |
supertonic | tts | Supertonic 3（预置音色，无中文） |
fish-audio-s2-pro |
fish_audio | tts | Fish Audio S2 Pro（中英 TTS/克隆） |
higgs-audio-tts |
higgs_audio_tts | tts | Higgs Audio v3 TTS 4B（TTS/克隆） |
outetts |
outetts | tts | OuteTTS 1.0 1B（多语种 TTS/克隆） |
vietneu-tts |
vietneu_tts | tts | VieNeu-TTS v3 Turbo（越英 TTS/克隆） |
未安装的 id 运行时会提示，可在 WebUI 里点“下载”，或
python tools\model_manager.py install <download_id> --models-root <bundle>\models。
| 变量 | 作用 | 适用 |
|---|---|---|
AUDIOCPP_BACKEND |
gpu(=cuda) / cpu 强制后端 |
cli / server / webui |
AUDIOCPP_HOST |
server 绑定地址（0.0.0.0 开放局域网） |
server |
AUDIOCPP_BUNDLE |
手动指定整合包根目录 | 全部 |
AUDIOCPP_SERVER |
让 WebUI 连一个已在跑的外部 server | webui |
AUDIOCPP_LOAD_TIMEOUT |
WebUI 等待模型加载的秒数（默认 300） | webui |
.bat双击闪退 / 命令语法错误：这些脚本必须是 CRLF 行尾（LF 会让 cmd 解析出错）， 编辑后请保持 CRLF。- 端口被占用：
run_server.bat和 WebUI 默认都用 8088。要同时用，就给 server 换端口， 或设AUDIOCPP_SERVER让 WebUI 复用外部 server。 model path does not exist/ not installed：模型没装。用上面的 model_manager 命令或 WebUI 下载。- 显存不足：8GB 下同时跑两个 server 时，两个模型都要装得下；1.7B 建议单开。
- 声音克隆生成过短（~0.4s 就结束）：
voice_ref音色不干净或缺reference_text；换单一说话人的 干净参考音频并配上对应文本。
同一套引擎、同一后端 → 推理本身完全一样。差别主要在模型加载的摊销：
run_cli_tts.bat每次调用都要把模型重新装进显存（每次固定几秒开销）。run_server.bat的服务只加载一次、常驻，之后每个请求只花“推理 + 极小的传输”。 本机 HTTP + 几 MB 的 wav 传输 ≈ 毫秒级，相对多秒的推理可忽略（建议用默认二进制 wav， 别用response_format:"json"的 base64，会大约 +33%）。- 网页界面（7860）比直连 8088 多一跳代理；其它程序直接打 8088 就没有这一跳。
结论：走 API 每次生成几乎没有额外成本，只有一次性的预热被服务端摊掉了——除了“只生成一次”的 场景，API 方式通常比反复调 CLI 更快。