语音克隆
语音克隆
了解如何使用我们的领先模型克隆语音。
概览
克隆语音主要有两种选择：即时语音克隆和专业语音克隆。即时语音克隆是一种快速便捷的语音克隆方式，而专业语音克隆则更准确，也更具可定制性。
即时语音克隆
即时语音克隆可让你基于较短样本，近乎即时地创建语音克隆。创建即时语音克隆（IVC）不会训练或创建自定义 AI 模型，而是依靠训练数据中的已有知识进行合理推测，而非针对该语音进行训练。
这对许多语音都非常有效。不过，IVC 最大的局限在于：如果想克隆非常独特的语音，或 AI 在训练期间接触不多的口音，效果可能受限。在这种情况下，使用专业语音克隆，通过明确训练创建自定义模型，可能是最佳选择。
专业语音克隆
专业语音克隆是 Creator 及以上套餐提供的功能。专业语音克隆可通过使用更大规模的语音数据训练专属模型，生成更逼真的语音模型，其效果几乎与原始语音无法区分。
自定义模型需要微调和训练，因此 PVC 的训练时间比 IVC 更长。通常微调需要 3-6 小时完成，但有时会更久，具体取决于等待微调的其他 PVC 数量。
音频录制入门指南
如果你刚开始录制音频，以下技巧可帮助你入门。
录音地点
录制音频时，选择合适的地点，并尽量减少房间回声和混响。 因此，应尽可能让房间“吸音”。这正是经过声学处理的人声录音棚的用途；如果暂时没有录音棚，可以尝试自制人声录音棚、“毛毯堡垒”或衣柜等方案。
以下是一些关于自制声学处理方案的 YouTube 示例：
麦克风、防喷罩和音频接口
好的麦克风至关重要。麦克风价格从 $100 到 $10,000 不等，但对大多数旁白配音工作来说，价格在 $150 至 $300 的专业 XLR 麦克风已足够。
若想以实惠的价格搭建高质量旁白配音录音设备，可考虑搭配 Focusrite 音频接口与 Audio-Technica AT2020 或 Rode NT1 麦克风。这套设备价格在 $300 至 $500 之间，可提供适合专业使用的高质量录音，且自身噪声极低，录音更清晰。
录音时，请确保麦克风前方安装合适的 防喷罩，以避免爆破音、呼吸声和气流直接冲击振膜或麦克风；否则声音效果会很差，也会影响克隆过程。
数字音频工作站（DAW）
市面上有许多不同的录音解决方案，功能都是录制音频，但质量并不相同。只要能以至少 24 bit 的比特深度录制 44.1kHz 或 48kHz 的 WAV 文件，通常就没问题。不需要复杂的后期处理、插件、降噪器或其他工具，因为我们希望保持录音过程简单。
如果需要推荐，建议使用 REAPER。它是一款非常出色且高度灵活的 DAW，是许多音频工作的行业标准。另一个不错的免费选择是 Audacity。
保持最佳录音电平，避免过响或过轻，以防止数字失真和过多噪音。旁白配音建议将峰值控制在 -6 dB 至 -3 dB，平均响度保持在 -18 dB，既能确保清晰度，又可尽量降低噪声底。根据项目和录音环境密切监听，并按需调整电平，以获得最佳效果。
摆位
一个实用的参考标准是，与麦克风保持约两个拳头的距离，也就是大约 20cm（7-8 英寸），并在你和麦克风之间放置防喷罩。有些人喜欢将防喷罩完全靠后放置，使其紧贴防喷罩说话。这样更容易保持与麦克风之间的固定距离。
另一种常见技巧是斜着对麦克风说话，避免直接向麦克风呼气或产生爆破音。斜着说话可让呼出的气流不太可能直接冲击麦克风，而是从旁边掠过。
演绎
你的演绎是整个录音过程中最关键的部分之一。AI 会尽可能克隆语音的所有特征，且能力很强。这意味着它会尝试复现你的节奏、音色、演绎风格、停顿时长，以及是否口吃、深呼吸、带有喘息感，或经常使用“嗯”和“啊”——这些它甚至都能复现。因此，音频文件中应准确包含希望克隆的演绎和语音，不多也不少。这也是为什么选择一段适合目标音色的文本来朗读非常重要。
为 AI 录音时，保持一致性非常重要。如果录制的是一种语音，要么全程保持非常生动，要么全程保持非常克制，不能混合使用，否则 AI 可能会变得不稳定，因为它不知道该克隆语音的哪一部分。录制口音也是如此，整段录音应保持相同的口音。一致性是获得良好克隆效果的关键！
