免費聲音克隆實測：AI 配音怎麼聽起來像真人？

AI 配音怎麼才能像真人？我朋友聽完愣了三秒

上個月我把一條短片丟進群組，背景音是我自己「配」的。朋友秒回：這是找配音員吧？一條多少錢？

我說不是，是 AI。他愣了三秒，把語音拖回去又聽了一遍，然後問我：你用的什麼？為什麼我平常聽到的那種 AI 配音一聽就假，你這個不像？

這個問題我琢磨了蠻久，今天乾脆一次寫清楚。

你回想一下那些一聽就是機器的聲音：語速永遠勻速，像卡帶；每個字都咬得特別滿，沒有輕重；句尾該下降的語調它反而上揚，超像客服在背稿。

真人說話不是這樣的。真人會猶豫、會偷懶，會把「嗯……這個好了，我覺得還可以」裡的「啦」拖長半拍。早期的 TTS 模型就是照著字典念，每個字等長等重，所以假。

現在的神經網路模型，尤其是聲音克隆這類，學的是一個人說話的習慣——呼吸、停頓、語氣起伏都包在裡面。所以同一句話，普通合成跟克隆出來的，質感差一大截。

工具只是底子，真正拉開差距的是你怎麼用。

第一，音色別選「主播腔」。很多人做影片預設挑一個字正腔圓的聲線，結果整支片子像晚間新聞。做口播、做 vlog，選帶點日常感的音色，甚至稍微有點「不完美」的，反而真實。

第二，標點就是你的導演。逗號是短停頓，句號是長停頓，刪節號會讓它猶豫，破折號有個轉折感。我寫配音稿的時候，是照「耳朵」寫的，不是照文法寫的。該斷的地方寧可多打一個逗號。

第三，一句一句配，別整段餵。長段落一口氣合成，情緒是平的。把稿子拆成小句，關鍵的句子單獨生成、多試幾版，挑最像人說的那條。費點工，但值得。

試了一圈線上工具之後，我停在 VoxClone，原因很俗——免費，而且不用註冊。對，免註冊聲音合成，打開頁面就能用，這點對我這種三天捕魚式剪片的人太友善了。

它家最狠的是免費聲音克隆：錄一段你自己（或你取得同意的人）的聲音，幾十秒就夠，之後這個聲線就能一直用。我自己克隆了自己的聲音，朋友聽不出來，我媽也聽不出來——我媽可是連我換手機殼都發現得了的那種等級。

而且它沒有那種「免費版每天三次」的惱人限制，無限制文字轉語音，長稿也能整篇丟進去。偶爾要大量配音，它還提供免費語音合成API，可以接進自己的腳本裡跑。

一般 30 秒到 1 分鐘的清晰人聲就夠。安靜環境、離麥克風近一點、別有背景音樂，效果天差地遠。我第一次失敗就是因為開著冷氣錄音。

必須是你自己的聲音，或取得對方明確同意。拿去模仿別人說過沒說過的話，這不只是不道德，在台灣還可能踩到刑法或個資相關規定。工具是中性的，用法不是。

VoxClone 是永久免費聲音克隆，不收費也不限次數，商用條款建議使用前去動態頁看一眼最新說明。政策這種東西，看一眼不吃虧。

AI 配音像不像真人，一半在模型，一半在你手上那篇稿。下次寫配音稿的時候，試著把它當「說話」來寫，而不是當「文章」來寫——加停頓、留呼吸、允許一點不整齊。

今晚就可以試：去克隆一個自己的聲音，配一段 30 秒的自我介紹，傳給你最熟的人，看他聽不聽得出來。那三秒的停頓，就是你的答案。