功能建议：支持自定义音色/声音克隆，让 AI 伴侣拥有"自己的声音"

Clear and concise description of the problem

作为使用这个项目的开发者，我希望 AIRI 支持用户自定义音色/声音克隆，这样 AI 伴侣可以拥有专属的固定声音，提升仿真感。

背景

我是 AIRI 的深度用户（DeepSeek 大脑 + 网页版/桌面版双端），同时也自研了一个 AI 伴侣项目（xiaoli，台湾甜妹人设、全离线本地语音），在"AI 伴侣的仿真感"上有实战经验。

现状问题

1. AIRI 目前只有预设音色（Kokoro 本地只有英文 28 音色；中文只能走云端 MiniMax 等，且是通用音色）
2. 对 AI 伴侣场景，"声音"是灵魂：真人感的伴侣应该有自己的、固定的声音——用户录几段样本就能克隆专属声音，比在几十个通用音色里挑一个"最有感觉的"吸引力大得多
3. 中文语音的免费本地方案缺失：Kokoro 不支持中文，Browser (Local)/App (Local) 需要自建本地服务，对普通用户门槛高

Suggested solution / Ideas

期望功能

1. 声音克隆（核心诉求）：用户提供 1~5 分钟音频样本 → 生成专属音色 → 之后她一直用这个声音说话（像真人 AI 伴侣那样"有个固定的人声"）
2. 支持云端克隆服务（如火山引擎 seed-tts 的快速声音复刻）与本地克隆（如 qwen_tts / GPT-SoVITS 类）双路线
3. 若短期无法做克隆，退一步：至少补一个免费的中文本地 TTS 方案（Kokoro 的多语言版或同类）

接入建议

1. 在服务商体系里新增 Voice Clone 分类：样本上传 → 训练/克隆 → 作为普通音色出现在"发声"列表
2. 克隆功能优先做云端 API 接入（火山/OpenAI 兼容的克隆接口），本地克隆作为进阶路线（参考 xiaoli 的实现，可后续单独拆成插件）
3. 用户样本与音色数据随角色卡绑定，随角色卡导出/分享

Alternative

若短期无法做克隆，退一步：至少补一个免费的中文本地 TTS 方案（Kokoro 的多语言版或同类）

Additional context

参考实现（我的项目实战经验）

我的项目里已经实现并验证了类似链路：

• 本地：qwen_tts（Qwen3TTSModel）本地推理 + 声音克隆，全离线（模型约 7GB，NVIDIA 显卡可跑）
• 云端：火山引擎豆包语音 v3（seed-tts-2.0），支持快速声音复刻；未配置时自动降级 edge-tts（优雅降级链）
• 情绪表达（一个踩过的坑，值得分享）：往 TTS 文本里注入"<整体情绪：生气>"这类指令会被一字一句念出来（实测：带指令 5.96s vs 无指令 4.22s，文本变长 = 在读指令）。正确做法是用 speech_rate / loudness / pitch 参数模拟情绪，情绪色彩由 LLM 写的台词本身承载，语音参数只做轻微辅助——避免戏剧化

附加价值

• 角色卡生态会因此更有趣：社区可以分享"带专属声音的角色卡"
• 对"仿真感"体验的提升是决定性的：AI 伴侣的核心竞争力不是"能说"，而是"用谁的声音说"

资源

• 我的实现参考：xiaoli/tts_local.py（qwen_tts 本地推理）、xiaoli/tts_api.py（火山 v3 + 降级链）
• 完整开发日志：xiaoli/docs/design-log.md（含 TTS 选型、情绪参数实测数据）

如果需要我提供更详细的实测数据、接入细节或测试样本，随时可以补充。谢谢！

Validations

• Follow our Code of Conduct
• Read the Contributing Guide.
• Check that there isn't already an issue that request the same feature to avoid creating a duplicate.