声音克隆

使用 AI 技术克隆您的声音并生成自然语音的在线工具。上传一段音频样本，输入想要朗读的文本，即可生成与原声音高度相似的语音。支持多种语言和丰富的参数调节，适用于配音、有声读物、语音助手等场景。

功能特点

声音克隆

上传包含您声音的音频文件，工具会分析音色、语调、语速等特征，建立声音模型。然后可以用这个模型朗读任意文本，生成的语音会保持原声音的特点。

支持的音频格式：

• MP3：常见压缩音频格式
• WAV: 无损音频格式，推荐使用
• M4A: Apple 设备常用格式
• OGG: 开源音频格式

自动转录

如果不确定音频文件的内容，可以留空文本框。工具会自动识别音频中的语音内容并转录为文字，然后使用克隆的声音重新生成。这个功能适合想要提升音频质量或修改说话风格的场景。

多语言支持

克隆的声音可以朗读不同语言的文本，不局限于原音频的语言。例如使用中文声音样本，也可以生成英文、日文等语言的语音。

参数调节

提供 11 个高级参数，可以精细控制生成效果：

创意与多样性

• 温度 (0-2):控制生成的随机性，默认 0.8。数值越高，声音变化越丰富，但可能偏离原声；数值越低，声音越稳定一致
• 核采样概率 (0-1):控制词语选择的集中度，默认 0.8。越低越保守，越高越多样
• 采样范围 (1-200):每次选词时考虑的候选数量，默认 30

情感表现

• 情感强度 (0-1):控制语音的情感表现力，默认 1。越高语音越生动富有感情，越低越平淡
• 随机化情感：为语音添加自然的情感起伏变化，让声音更接近真人

质量控制

• 束搜索宽度 (1-8):影响生成质量，默认 3。越高质量越好但速度越慢
• 重复惩罚 (1-30):防止词语或音节重复，默认 10。越高越能避免重复
• 长度惩罚 (0-5):影响生成音频的长度，默认 0

分段设置

• 最大音频标记 (256-4096):限制单次生成的音频长度，默认 1500
• 间隔静音 (0-2000 毫秒）:片段之间的停顿时间，默认 200 毫秒
• 每段最大文本标记 (32-300):每个片段包含的文字数量，默认 120

在线播放和下载

生成的音频可以在页面上直接播放预听，也可以下载保存为 MP3 文件，文件名会保留原音频文件名并添加"voice-cloning"前缀。

使用方法

基础使用

1. 上传音频样本
   • 点击上传区域选择音频文件
   • 支持 MP3、WAV、M4A、OGG 格式
   • 推荐使用清晰、无背景噪音的录音
   • 建议时长 5-30 秒
2. 输入文本
   • 在文本框中输入想要朗读的内容
   • 支持中文、英文及其他语言
   • 可输入多行文本或段落
   • 留空则自动转录音频内容
3. 生成语音
   • 点击"克隆声音"按钮
   • 等待处理完成
   • 如果启用了自动转录，会显示"转录并克隆中..."
4. 播放和下载
   • 生成完成后会显示音频播放器
   • 点击播放按钮试听效果
   • 点击下载按钮保存音频文件

使用高级参数

1. 点击"高级选项"面板展开参数设置
2. 根据需求调整各项参数：
   • 想要声音更稳定，降低温度和核采样概率
   • 想要声音更生动，提高情感强度并启用随机化情感
   • 想要更高质量，增加束搜索宽度
   • 避免重复问题，提高重复惩罚
3. 调整完成后点击"克隆声音"重新生成

自动转录模式

1. 上传音频文件后，不输入任何文本
2. 直接点击"克隆声音"
3. 工具会自动识别音频中的语音，转录为文字，使用克隆声音重新生成
4. 适合想要保留内容但改善音质的场景

应用场景

内容配音

为视频、演示文稿或教学内容配音。使用克隆的声音可以保持音色一致，即使在不同时间录制也能保证统一的听感。

有声读物制作

将文章、小说转换为有声版本。使用自己的声音克隆可以创建个性化的有声书，或为他人定制专属的朗读版本。

多语言内容

使用母语声音样本，生成其他语言的语音内容。适合需要多语言版本但希望保持声音一致性的场景。

语音修复

改善现有录音的质量或修正发音错误。通过转录和重新生成，可以消除背景噪音、口误等问题。

虚拟角色配音

为游戏、动画或虚拟助手创建独特的声音。克隆特定声音后可以生成大量台词，无需反复录音。

使用技巧

获得最佳效果

选择优质音频样本

• 使用清晰的录音，避免背景噪音和回声
• 说话音量稳定，不要忽大忽小
• 语速适中，不要过快或过慢
• 发音清晰标准，避免含糊不清
• 建议时长 10-20 秒，包含完整句子

优化文本输入

• 使用正确的标点符号，帮助生成自然的停顿
• 较长文本建议分段处理，每次生成 1-2 段
• 数字建议用文字形式（如"十"而非"10")
• 特殊词汇标注拼音或音译

参数调节建议

追求稳定质量

• 温度：0.6-0.8
• 核采样概率：0.7-0.8
• 束搜索宽度：4-6
• 重复惩罚：10-15

追求生动表现

• 温度：0.9-1.2
• 情感强度：0.8-1.0
• 启用随机化情感
• 核采样概率：0.8-0.9

处理长文本

• 增加每段最大文本标记到 200-250
• 调整间隔静音到 300-500 毫秒
• 分段处理，每次不超过 500 字

避免重复问题

• 提高重复惩罚到 15-20
• 降低温度到 0.7 以下
• 调整采样范围到 20-40

注意事项

• 音频样本质量直接影响克隆效果，建议使用高质量录音
• 自动转录需要额外时间，长音频可能需要等待较久
• 克隆声音仅供个人使用，请勿用于冒充他人或非法用途
• 生成的语音质量受多种因素影响，无法保证完全一致
• 某些特殊音色或方言可能克隆效果较差
• 长文本建议分段生成，避免一次性生成过长音频
• 参数调节需要多次尝试才能找到最佳组合
• 温度过高可能导致声音失真或不稳定
• 束搜索宽度过大会显著增加处理时间
• 不同语言的克隆效果可能有差异
• 生成的音频文件会在页面刷新后失效，请及时下载
• 请尊重他人的声音版权，不要克隆他人声音用于商业用途
• 网络不稳定可能导致上传或生成失败