CHARACTER VOICE CHAT
免费 AI 角色语音聊天
可以从公开角色中选择对话对象，用文字与语音实时交流。支持中文 / 日语 / 英语的语音引擎和口型同步头像展示。
你好，今天有什么可以帮你的吗？
中文 / VoxCPM2 · Ditto 口型同步
语音 + AI 实时构建的角色扮演环境
Kotonia 的角色语音聊天基于 VAD + STT + LLM + TTS 的实时管线。对着麦克风说话，AI 会立即以语音回应，已注册头像的角色还会做口型同步。适合语言练习、角色扮演、闲聊、情感陪伴 — 用语音培育关系。
实时多语言语音对话
支持中、日、英等语言的高品质多语言 TTS (VoxCPM2)。开口说话，STT → AI → TTS 的管线即时回应。
公开角色与自创角色
可以与其他用户公开的角色对话。也可以保存并养成自己的角色。
口型同步头像展示
为角色注册头像图片后，Ditto 会让角色的嘴部动作与合成语音实时同步。
带历史的持续对话
按会话保存历史，可参考过往内容延续关系。
还能自动网络搜索与执行代码
遇到难题或需要最新信息时，角色会在后台自动进行网络搜索或执行代码后再回答。同时支持图像/视频生成，以及摄像头/屏幕共享的 Vision 功能。
基本使用方法
选择角色
从公开角色中挑选 — 语言讲师、闲聊伙伴、角色扮演角色等多种。
允许使用麦克风
首次使用时浏览器会请求麦克风权限。授权后下次起一键即可开始。
对着麦克风说话
按下麦克风按钮开口说话。VAD 自动检测发言结束，AI 即时以语音回应。
通过历史延续关系
对话按会话自动保存。下次继续时 AI 会参考之前的内容，让关系慢慢培养。
各项设置的作用
面板分为「模式」「角色」「长期记忆」「详细设置」四个标签，每个标签内部又分成若干设置组。为了让你看清「哪个设置组里的哪个功能」，请点开下方的标签查看（顺序与实际面板一致）。拿不准时保持默认即可。
如何打开设置面板
点击角色聊天界面右上角的齿轮图标（⚙）即可打开此设置面板。旁边的「?」是帮助（使用指南）。
模式 标签切换对话中行为的主标签
- 静音 / 取消静音
- 停止或恢复 AI 语音的播放。想只看文字时使用，例如深夜或在公共场所。
- 历史
- 打开过往对话会话的列表，从上次的地方继续。
- 清空对话
- 重置当前对话，从头开始。
- 档位（Basic / Standard / Premium）
- 选择生成回复的 AI 模型档位。Basic 免费、本地、最快；Standard 是性价比高的云端模型；Premium 可自由选择顶级模型（Grok / Gemini / GPT / DeepSeek 等）。拿不准时用 Basic 就够了。情感细腻或复杂话题用 Standard 以上更有优势。Premium 需付费方案，或在为自建角色指定模型时使用。
- 选择模型
- 选择 Premium 时出现，从顶级模型列表中挑选要使用的模型。
- 自定义模型 ID
- 用 ID 直接指定列表中没有的模型（可选，面向高级用户）。
- 实时
- 开启后，AI 说话过程中你也能插话打断（barge-in）；关闭时则等 AI 说完再开口。想要自然的对话节奏时开启。
- 视觉
- 开启后，把摄像头或屏幕共享的画面展示给 AI，让它能聊你看到的内容；同时会出现输入源、发送尺寸、观察间隔。输入源在摄像头与屏幕之间切换。发送尺寸（320×180〜1280×720）越高越清晰，但流量和负载也随之增加（通常 640×360 已足够）。观察间隔（3〜30 秒）是回到空闲状态后隔多久看一次画面。
- 主动搭话
- 开启后，即使你不出声，AI 也会主动开口。用间隔（5〜60 秒）调整频率。朗读、独白、闲聊等行为请在系统提示中指定。仅在开启麦克风后生效。
- 头像
- 开启后，用 Ditto 让一张已注册的图片对口型，使嘴部随语音同步动作。通过角色图片上的心形图标注册「Ditto 源」即可使用。免费档头像每天 12 轮，超出后对话以普通语音继续。
- 智能代理
- 开启后，遇到难题或需要查资料时，会先在后台联网搜索或执行代码再回答；关闭时则只是普通对话。
- 描写
- 开启后，角色回复中会穿插旁白（*描写*）。旁白仅显示在屏幕上，不会朗读（TTS）。适合小说风格的角色扮演。
- 触感
- 开启后，可连接 Lovense 兼容设备，让角色配合对话节奏进行控制。需聊天套餐及以上方可使用。用 Lovense Connect / Remote 应用扫描二维码即可配对。没有设备时保持关闭即可。
- 图像生成模型
- 选择是否在对话中生成图像（「无」或「本地 GPU（HiDream）」）。LoRA 堆叠可添加画风。留空时由 LLM 动态选择（默认 kotonia03）；选中后则始终套用该堆叠。权重（0〜1.5）调节强度。
- 视频生成模型
- 选择是否从已注册图片生成短视频（「无」或「WAN 2.5（图像→视频）」），并可设置分辨率（480p / 720p / 1080p）与时长（3〜10 秒）。以对话中「最新的图片」为基础生成。
角色 标签仅在使用自建角色时显示
- 名称 / 用途 / 简介 / 标签
- 设置角色的基本信息，公开后用于列表与排行榜展示。
- 开场白 / 起始场景 / 回复候选
- 设置对话入口的呈现：打开时角色说的第一句、起始场景，以及最初的回复按钮。
- 公开时的计费
- 选择他人使用你公开的角色时的计费方式（免费 / 按消息计费 / 仅订阅）。
- 媒体
- 统一管理表情差分图片上传、Ditto 源注册，以及从图片生成视频。
长期记忆 标签跨对话保留的备注
- 通用 / 按角色 的长期记忆
- AI 跨对话参考的备注。通用适用于所有角色；按角色仅在与该角色的对话中参考。把你的名字、喜好、过往经历记下来，下次再来时就会有「记得你」的体验。
详细设置 标签语音识别（STT）与朗读（TTS）的内部设置
- 系统提示
- 设置给 AI 的指令。留空则使用默认。可自由填写角色的语气、身份、禁忌等。
- 语言
- 选择识别与朗读的基准语言（日语 / English / 中文 / 多语言 auto）。多语言会在识别时自动检测语言，并由 VoxCPM2 合成多语言文本。
- STT 模型
- 选择把语音转成文字的引擎。Whisper 通用且可选尺寸；Qwen3-ASR 精度高（推荐 GPU、首次加载较重）；平假名是仅限日语的轻量识别。Whisper 尺寸（tiny〜large-v3）越大越准，但更慢、占用更多显存。GPU 建议 small〜medium，CPU 建议 tiny〜base。
- Gemini 原始音频输入
- 开启后，除文字转写外，还会把原始音频本身一并发送给 Gemini，以保留发音与语调的细节。仅在选择 Gemini 系模型时生效。
- TTS 引擎
- 选择把回复转成语音的方式。WebSpeech 为浏览器内置、轻量；VoiceVox 为日语动漫风；AivisSpeech 情感丰富；VoxCPM2 支持多语言音色设计与声音克隆；Irodori 可用文字描述音色。Irodori 通过在「VoiceDesign 描述」里写下想要的声音氛围来控制。用 🎲 摇到喜欢的声音后固定「音色种子」，音色每次都会保持一致。
- 朗读速度
- 调整说话的速度（0.5〜2.0 倍）。
对话示例
选择角色，对着麦克风讲话，AI 即以语音回应。注册头像后还能做口型同步。
支持的语音语言
以中日英为主，支持多语言语音输入输出 (VoxCPM2)。可按角色切换语言。
与其他功能联动
角色语音聊天与 Kotonia 其他功能组合更强大。从公开角色库选择对话对象，或体验傲娇 AI 英语会话等特定打包产品。
立即免费试用语音聊天
1 分钟注册，无需信用卡。免费档每天可使用 100 轮多语言语音对话。