录一段 30 到 60 秒的样本,写出听起来自然的脚本,纠正读错的词,并遵守授权同意相关法律。附工具对比及其真实限制。
希望用自己的声音制作录音、又不想每次都预约录音棚的企业主、营销人员和课程创作者。
- 录一段样本,做出干净、可用的克隆声音
- 写出在电话里听起来像您本人、而不像机器人的脚本
- 在克隆或发布声音之前,了解授权同意和隐私规则
AI 声音克隆是根据一段简短的录音,生成您声音的合成副本,然后用这个声音朗读您输入的任何文字。大多数工具需要同一位说话者 10 秒到 3 分钟的干净语音,而 30 到 60 秒、没有音乐的录音效果最好。只克隆您自己的声音,或已获得对方明确许可的声音。
AI 声音克隆是一种技术:它从一段简短的录音中学会某个人的声音特点,然后用这个声音朗读任何新的文字。对企业来说,它取代了进录音棚:您只录一次,之后的每一段录音,都只是您输入的一段文字。
大多数工具用一段简短的样本就能快速克隆,有些工具还提供更慢、更逼真的版本。以 ElevenLabs 为例,它建议即时语音克隆使用 1 到 2 分钟的优质音频。它的专业克隆需要 30 分钟到 3 小时的音频、一个验证步骤以及数小时的训练。对于电话问候语或视频旁白,用干净音频做的快速克隆通常就够了。
用途 | 克隆声音的好处 | 注意事项
电话问候语和营业时间提示 | 营业时间变动时一分钟就能更新,而且是老板本人的声音 | 保持简短;来电者想听的是选项,不是演讲
短视频和 Reels 的旁白 | 改一句台词也不用重新录音 | 发布前把每份脚本都听一遍
课程和培训音频 | 长脚本每次都以同样的方式朗读 | 把长文本拆成章节,并核对每一个名字
发给老客户的语音消息 | 提醒或通知带有个人语气 | 只发给同意接收您消息的人
广告和促销 | 无需预约配音演员就能测试多个脚本 | 确认工具的许可允许商用
不适合的场景:需要有人实时回答的对话(那是语音智能体,属于另一类产品);应该由您本人亲自表达的慰问或道歉消息;以及任何未经他人许可、使用他人声音的录音。
用于电话线路、旁白或广告已经足够像,但通常并不完美。好的克隆能准确还原您的音高、口音和语速。它在笑声、突然的情绪变化和很长的一串数字上表现较弱,熟悉您的人可能听得出差别。正式使用之前,给身边的人放两段录音,一段是真声,一段是克隆,问对方哪个是哪个。如果对方犹豫了,它就足以用于商业用途。
录 30 到 60 秒,只有您一个人,在安静的房间里自然地说话,没有音乐,也没有其他人的声音。很多工具接受 10 秒到 3 分钟的录音,但一分钟干净的录音,胜过三分钟嘈杂的录音。
用最好的一分钟,而不是整整一小时: 如果您有一期播客或一场网络研讨会的录音,不要整个上传。挑出一段 30 到 60 秒、只有您在清楚说话、底下没有音乐的片段。Fine Structure Voice Studio(语音工作室)可以让您选择较长录音中要使用的部分。
为耳朵写,而不是为眼睛写:句子要短,数字按您说出来的方式写,在您换气的地方加标点。大多数糟糕的 AI 朗读,问题出在脚本上,而不是声音上。
示例:一家诊所的电话留言,改写前和改写后: 改写前:Dr. Levi Physio,Sun-Thu 8-17,Fri 8-13,预约按 1 或致电 050-1234567。改写后:您好,这里是 Levi 医生的物理治疗诊所。我们周日到周四营业,从早上八点到下午五点,周五营业到下午一点。预约请按一。您也可以拨打零五零,一二三,四五六七。事实完全相同,不到 300 个字符,而且读起来就像前台接待员说话一样。周五的营业时间一变,诊所只需修改一行,再生成一次。
在 Fine Structure Voice Studio 中,Subtle expression in your voice(声音中的细微表情)按钮会在光标所在位置添加朗读提示(温暖、兴奋、缓慢、耳语等)。Add natural delivery with AI(用 AI 添加自然语气)会为整段文字建议一种读法;您审阅之后点击 Apply to script(应用到脚本),并且随时可以恢复原文。Advanced voice settings(高级声音设置)可以调整变化幅度,以及朗读与您的样本保持多接近。
克隆您自己的声音是合法的。克隆别人的声音需要对方的明确许可,而在许多地方,用任何克隆声音误导他人都是违法的。规则因国家和用途而异,请把这里当作一张需要核查事项的地图,而不是法律意见。
正规的服务会把授权同意内置到流程中。Descript 要求被克隆声音的本人录制一段同意声明,而且必须用英语,即使这个声音以后要说其他语言。ElevenLabs 在训练专业克隆之前会先进行验证。Fine Structure Voice Studio 在创建声音之前,会要求您勾选确认这是您自己的声音,或者您已获得声音所有者的明确许可。
按声音要用在哪里来选。ElevenLabs 是专业厂商,声音工具最齐全。Descript 适合通过编辑文字来剪辑视频和播客的人。HeyGen 适合要放进数字人视频的声音。Murf 面向团队,在其 Enterprise 套餐中提供克隆。Fine Structure Voice Studio 适合希望把声音放在自己已经在运行的应用、页面和智能体旁边的企业。
套餐和价格来自各厂商在 2026年11月的官方页面。它们经常变化,购买前请核实。
工具 | 最擅长 | 哪个套餐提供克隆 | 以下情况请三思
ElevenLabs | 音质、多种语言、配音译制、API | Starter 套餐(每月 $6)起提供即时克隆;Creator 套餐(每月 $22)起提供专业克隆;免费套餐两者都没有 | 您每月只需要几段短录音,而且想在已经付费的工具里完成
Descript | 通过编辑文字稿来剪辑音频和视频 | 录制一段英语同意声明后,可以克隆声音 | 您不剪辑媒体;它首先是一款编辑器
HeyGen | 为您的数字人视频配声音 | 即使是免费套餐,也列出了一个声音克隆 | 您需要的是单独的音频文件,而不是视频
Murf | 面向团队的录音棚风格配音 | 仅 Enterprise 套餐提供声音克隆 | 您是只需要一个声音的小企业
Fine Structure Voice Studio | 在运行您应用和智能体的平台中,把您的声音生成为 MP3 文件 | 按文本长度以积分付费;最多 5 个声音 | 您需要译制成其他语言的配音,或者需要面向开发者的 API
Fine Structure Voice Studio 构建在 ElevenLabs 之上:只有您选定的那部分录音会被发送过去,用来制作声音。您得到的是一个账户、一份积分余额,而且录音就在您已经在 Fine Structure 中搭建的应用、页面和营销活动旁边。您放弃的是 ElevenLabs 的全部功能,所以如果声音工作是您的主业,请选择专业厂商。
从账户菜单或 /voice-studio 打开 Voice Studio,用 10 秒到 3 分钟的样本创建一个声音,确认这是您的声音,然后输入最多 10,000 个字符,并下载 MP3。生成之前会显示预计消耗的积分。
限制 | 数值
声音库中的声音数量 | 最多 5 个;删除一个才能添加新的
用于制作声音的样本 | 10 秒到 3 分钟,来自最大 50 MB 的文件
每段录音的文字 | 最多 10,000 个字符
页面上保留的录音 | 只保留最新的几段;请下载以保存副本
费用 | 按文本长度消耗积分,生成前显示;录音失败时,预扣的积分会被释放
需要注意的问题: 凡是想保留的录音都要下载,因为页面只保留最新的几段。如果您看到 Voice verification required(需要声音验证),说明 ElevenLabs 要求对该声音进行额外检查;请联系客服完成验证,在此之前该声音无法使用。如果提示无法确认声音是否已创建,不要再创建一次;请提交工单,以免出现重复的声音。Voice Studio 制作的是供您下载的录音;会说话的视频数字人有自己的声音设置,不会使用这些声音。
关于隐私:您的文件会在平台的服务器上短暂处理,只有您选定的部分会被发送到 ElevenLabs 用来制作声音。在 Voice Studio 中删除一个声音,也会在 ElevenLabs 那边将其删除。您已经下载的录音仍归您保存。
一个简单的习惯能让它一直好用。把所有脚本放在一个文档里,每种用途一份:电话问候语、节假日营业时间、视频开场白。给每个 MP3 文件用日期和用途命名。有变化时,修改脚本,重新生成,替换旧文件,这样就永远不会有两个版本的营业时间同时在流传。
大多数工具接受约 10 秒到几分钟的录音。Fine Structure Voice Studio 接受 10 秒到 3 分钟,使用 30 到 60 秒、只有一位说话者、没有音乐或噪音的录音效果最好。ElevenLabs 建议即时克隆使用 1 到 2 分钟,专业克隆使用 30 分钟或更长。干净的音频比时长更重要。
合法。克隆您自己的声音并在业务中使用,通常是合法的。法律风险来自别人的声音,以及结果的用法:误导听众、未经同意的自动呼叫,或者暗示某个真实的人说过其从未说过的话的广告。请核查工具的商用许可,以及您发布内容所在国家的规则。
只有在获得对方明确许可的情况下才可以,最好是书面许可。在以色列,未经同意以营利为目的使用他人的声音,根据 Privacy Protection Law(《隐私保护法》)第 2(6) 条构成侵犯隐私;在美国,田纳西州的 ELVIS Act(《猫王法案》)保护声音不被未经授权地用于商业用途。Descript 要求录制一段同意声明,Fine Structure 则会先请您确认已获得许可。
可以,只要工具支持希伯来语输出。在 Fine Structure Voice Studio 中,您用想听到的语言输入文字,希伯来语可以正常使用。如果希伯来语是您最常用的语言,就用希伯来语录制样本。某个词读错时,给这个词加上元音符号(niqqud)或按发音拼写,并用标点来安排停顿。
从免费版到企业合同都有。ElevenLabs 从 $6 的 Starter 套餐起提供即时克隆,从 $22 的 Creator 套餐起提供专业克隆。Murf 仅在 Enterprise 套餐中提供克隆。Fine Structure Voice Studio 按文本长度收取积分,生成前显示预估,录音失败时会释放积分。
有些免费套餐包含一个克隆。HeyGen 的免费套餐列出了一个声音克隆,主要用于数字人视频。ElevenLabs 的免费套餐不包含声音克隆。免费版通常会限制时长、添加水印或不允许商用,所以在把免费克隆用于广告或客户项目之前,请先阅读许可条款。
用于广告和视频可以,前提是工具的许可允许商用。自动呼叫则更严格。在美国,FCC 在 2024 年裁定 AI 生成的声音属于 TCPA(《电话消费者保护法》)所称的人工声音,因此自动语音电话需要事先同意;以色列的反垃圾信息法禁止在未事先获得明确同意的情况下通过自动拨号发送广告。您自己电话线路上的问候语则是另一回事。
取决于工具,所以请阅读它的隐私页面。在 Fine Structure Voice Studio 中,您的文件会在平台的服务器上短暂处理,只有您选定的部分会被发送到 ElevenLabs 用来制作声音。在 Voice Studio 中删除声音,也会在 ElevenLabs 那边将其删除。您下载过的录音仍归您保存。
通常是脚本的原因,而不是声音的原因。名字、品牌词、缩写和直接用阿拉伯数字写的数字,是最常见的问题来源。按您说出来的方式写数字,按发音拼写难读的名字,在换气的地方加逗号,在希伯来语中给读错的词加上元音符号(niqqud)。然后重新生成,并用手机扬声器试听。
在 Fine Structure 中不能。Voice Studio 制作的是您下载为 MP3 文件的录音。会说话的视频数字人有自己的声音设置,数字人的个人声音要在您选好数字人分钟套餐之后才会制作。您的 MP3 文件可以在任何能播放音频的地方使用:电话系统、视频编辑器或一条消息。