给它 10~20 秒干净的人声，它就能用这个声音念出新的文字。克隆质量几乎完全由这一段样本决定——样本对了，剩下的水到渠成。

好样本长什么样

工具接受 WAV、MP3 或 M4A——单声道、至少 24kHz、10~20 秒清晰人声（硬上限：60 秒、10 MB）。在这个范围里，尽量做到：

  • 一个人，正常说话。平实的叙述，不要喊也不要耳语。克隆会照搬它听到的状态。
  • 背景全静。没有音乐、没有电视、没有街道噪音。人声背后是什么，都会被一起「烤」进去。
  • 几句完整的话，而不是孤立的词。模型需要自然的节奏和语调才能模仿。

哪些错误会毁掉克隆

大多数让人失望的结果，问题出在样本，不在工具：

  • 背景噪音或回声。混响大的房间或风扇嗡嗡声，会让克隆发闷。找个软一点、小一点的地方录（塞满衣服的衣柜是经典土办法）。
  • 爆音/削波。原录音录得太大、峰值已经失真，克隆会继承这份失真。把麦克风拉远，或调低输入电平。
  • 两个人声。结尾被别人插话的片段会让模型困惑。剪到只剩目标说话人。
  • 太短。三秒钟没有足够的节奏可供模仿，老老实实给满 10~20 秒。

如果克隆听着不对，别去调参数——重录一段更干净的样本。十次有九次是这能解决的。

生成后，验一下

克隆好之后，输入一句原样本里没有的话再听。新词才是真正的考验——给过的短语任何工具都能回放。结果以 WAV 下载。

合规使用

只克隆你有权使用的声音——你自己的，或明确同意的人。未经同意克隆他人声音，是会惹上真麻烦的事，也不是这个工具的用途。

隐私方面：处理在你浏览器里进行，样本留在你设备上，不发往服务器。

手头有干净的片段了？放进声音克隆工具，让它念点新东西。