怎么在线克隆声音：AI声音克隆教程

声音克隆，就是用一段你说话的录音，让 AI 用接近这个音色的声音读出新的文字。在 AI Voice Studio 里，这件事在网页上就能完成：准备一段几秒钟的样本，输入文字，得到一段 MP3。下面按顺序讲怎么做、怎么录，以及需要注意的事。

开始前准备

• 一个 Google 账号：本站只支持 Google 登录。第一次登录送 20 积分（365 天内有效），累计够克隆 4,000 字符，分几次生成，每次最多 1,000 字符。
• 一段声音样本：你自己的声音，或者已获得本人同意的声音。可以是现成的音频文件，也可以在网页上用麦克风现场录。
• 一个安静的地方：外接麦克风通常比笔记本内置麦克风录得更干净。

在线克隆声音的步骤

1. 打开工作室，用 Google 账号登录，切到“声音克隆”。
2. 添加样本：点“上传音频”选择文件（MP3、WAV、M4A、WebM、OGG，最大 10 MB）；或者点“用麦克风录”现场录，说完点“停止录音”。第一次录音时，浏览器会请你允许使用麦克风。
3. 勾选“这是我自己的声音，或者我已获得说话人本人的同意”。不勾选就不能生成。
4. 输入要读的文字，单次最多 1,000 字符。
5. 选择语言，要和你输入的文字一致，比如中文文字就选中文。
6. 点“生成语音”。生成前页面会显示这次要扣多少积分；完成后可以直接播放、下载 MP3，结果也会在账户的最近记录里保存 30 天（付费后新生成的保存 6 个月）。
7. 想用同一个声音再读一段，换上新的文字再生成就行。同一次使用中，同一段样本可以反复用，不必重新上传。

怎么录一段好样本

系统要求样本里至少有 3 秒说话声，最多只用前 20 秒。和长度相比，录得干净更重要：

• 时长 5–15 秒：一口气说几句完整的话，不要只说一两个词。
• 只有一个人说话：不要对话、采访或多人同时说话的片段。
• 没有背景声：关掉音乐、电视和风扇，关上窗户，离空调远一点，房间里回声小一些更好。
• 距离和音量稳定：嘴和麦克风保持差不多的距离，用平时说话的音量和语速，不要耳语，也不要喊。
• 用你想要的语气录：克隆会模仿样本的音色和说话感觉，想要平稳的旁白，就平稳地读。
• 把最清楚的部分放在开头：系统只用前 20 秒。如果文件开头是空白、音乐或别人在说话，先剪掉再上传。

同意与合法使用

• 只能克隆你自己的声音，或已获得本人同意的声音。生成前的勾选确认是必填的。
• 不能用克隆的声音冒充他人、诈骗、骚扰，不能制作欺骗性的或政治类的深度伪造内容，不能制作涉及真实人物的色情内容，也不能把生成的音频说成是某个真实人物的真实录音。
• 违反这些规定的账户可能会被暂停或停用，完整规则见服务条款。
• 遵守上面这些规定的前提下，用声音克隆生成的音频可以商用，比如放进开通收益的 YouTube、TikTok 视频，或者用在广告、客户项目、付费课程和播客里，音频也不带水印。

声音克隆支持的 21 种语言

中文、英语、德语、西班牙语、法语、日语、意大利语、匈牙利语、韩语、俄语、波斯语、阿拉伯语、波兰语、葡萄牙语、荷兰语、捷克语、丹麦语、瑞典语、希腊语、土耳其语、希伯来语。

如果你只是需要一个现成的中文声音，不一定要用自己的声音，也可以用文字转语音里的 HD 声音（29 种语言，含中文）。注意文字转语音里的 23 个标准声音不会说中文。

字数上限和积分

• 单次最多 1,000 字符。更长的稿子分几段生成，下载后按顺序拼起来。
• 每 200 字符 1 积分，不足 200 字符按 200 算，每次最少 1 积分，和标准声音的价格一样。
• 第一次登录送的 20 积分累计可以克隆 4,000 字符（每次仍是最多 1,000 字符）；1,000 积分可以克隆 200,000 字符。
• 生成失败时，积分会自动退回。
• 套餐和积分包见价格。

效果不像时怎么办

声音克隆用的是开源小模型（英语、法语、德语、西班牙语、意大利语、葡萄牙语、荷兰语用 Kyutai 的 Pocket TTS，其他语言用 1 亿参数的 MOSS-TTS-Nano），它会模仿原声的音色和说话感觉，但不会和本人一模一样。效果不理想时，可以按下面的顺序试：

1. 换一段更干净的样本：去掉音乐、回声和杂音，只保留一个人说话。
2. 检查前 20 秒：系统只用前 20 秒，确认开头就是你清楚的说话声。
3. 别用太短的样本：只有刚够 3 秒时，换一段 5–15 秒的再试。
4. 核对语言：所选语言要和输入的文字一致。
5. 跨语言效果不好时：如果用一种语言的样本读另一种语言的文字听起来不对，试试用目标语言重新录一段样本。
6. 调整文字：可以把长句拆短、把标点写全，再生成一次比较。

你的样本会怎么处理

• 声音克隆在我们自己的服务器上用开源模型完成：英语、法语、德语、西班牙语、意大利语、葡萄牙语、荷兰语用 Pocket TTS（Kyutai，CC-BY-4.0），其他语言用 MOSS-TTS-Nano（OpenMOSS 团队，Apache-2.0）。你的声音样本不会发给任何第三方 AI 公司。
• 我们不会为你单独训练专属模型，也不用你的样本训练任何模型；每次生成都是从样本现做一次克隆。
• 样本和生成的音频保存在我们的云存储里、归在你的账户下，这样链接才能播放和下载。保存 30 天后自动删除；付费后新上传的样本和生成结果保存 6 个月。想留着的音频请及时下载，想提前删除随时发邮件到 [email protected]。

常见问题

克隆声音要花多少积分？

和标准声音一样，每 200 字符 1 积分，不足 200 字符按 200 算。1,000 积分可以克隆 200,000 字符。

可以克隆明星或别人的声音吗？

不可以，除非你已获得本人同意。本站只允许克隆你自己的声音，或已获得本人许可的声音。

克隆的声音会一直保存吗？

不会保存成一个单独的“声音模型”。每次生成都从你的样本现做一次克隆。样本文件和生成的音频保存 30 天后自动删除，付费后新上传的样本和生成结果保存 6 个月；也可以随时发邮件申请提前删除。

准备好了就打开工作室试一段。