我不太了解这方面的东西，也是第一次接触。 
我收集了一些音色，想作为训练集去训练音色，后面每次调用的时候不需要传克隆的音色文件音频了和对应的文本，直接需要生成的文本，直接用这个音色生成回答。这样可以实现吗。不然每次使用的时候需要携带这些音频，输出的音频就会有点慢。我想训练好直接调用的话是不是会快一点。 
有没有佬了解这方面的 🥹 🥹