免費聲音克隆怎麼調出真人情緒？我踩過的坑和一套控制清單
上禮拜我錄了一段十秒的「嘿，阿明，你那個便當要記得吃啦」丟進免費聲音克隆，想說做個鬧鐘鈴聲。結果出來的音檔，聽起來像廣播電台報氣象，還是那種凌晨三點重播的。我當場笑出來，也差點把手機摔了。
後來我花了一個下午，把那個線上工具（就是首頁那個，不用註冊的）翻來覆去地試，總算摸出一點門道。現在我合成出來的東西，至少聽起來像「人」在講話，不是Siri在念罰單。
這篇不是教學文，是我踩完坑之後的整理。你如果也卡在「怎麼讓克隆的聲音不像機器人」，那下面這幾條，應該能救你。
坑一：以為上傳聲音就結束了，結果是念稿地獄
我第一次用聲音克隆頁，上傳了30秒講話聲，然後貼一段「今天天氣很好，我們去公園散步吧」——出來的聲音，音色是像，但語氣平到像在讀說明書。
後來才發現，那個免費工具其實有隱藏參數，像是「聲調」和「發音」的進階設定。但預設值就是「平」，你得自己動手調。
所以第一件事：別急著輸出，先去看進階設定。
坑二：標點符號是你的情緒遙控器
這是我覺得最關鍵的一招。
同樣一句「你真的要這樣嗎」，你打「你真的要這樣嗎？」和「你真的要這樣嗎。」，合成出來完全不一樣。問號會讓語調上揚，句號就是往下掉。
我試過一個極端例子：
「好啊，你走啊。」
「好啊，你走啊？！」
前者是無奈，後者是火大。免費聲音克隆竟然分得出來！
所以寫稿的時候，把每個標點當成表情符號在用。逗號是短呼吸，句號是停頓，驚嘆號是重拍，問號是上揚。你平常怎麼說話，就怎麼標。
坑三：停頓比你想的還重要
我原本以為，只要文字寫得順，合成就會順。錯。
有一次我寫「我昨天去買菜，然後遇到老王，他跟我說他女兒考上大學了」——出來的語音，像連珠炮，完全沒有喘息的空間。
後來我加了換行，變成：
我昨天去買菜，
然後遇到老王，
他跟我說，他女兒考上大學了。
結果語氣立刻有層次。那個線上工具會把換行當成「段落停頓」，比逗號長，比句號短，剛好是口語的呼吸節奏。
如果你要更長的停頓，用「……」或直接空一行。我試過，真的有用。
坑四：語速是情緒的骨架
免費聲音克隆通常有語速調整，但很多人忽略它。
我發現，同樣一句「我跟你說，那個很便宜」，語速調到0.9倍，聽起來像在講秘密；調到1.2倍，像在叫賣。
所以先問自己：這段話是跟朋友講，還是跟客戶講？是興奮還是沉穩？然後再調語速。
我個人習慣，情緒激動的場景調1.1~1.2，悲傷或嚴肅的調0.85~0.95。你多試幾次，耳朵會告訴你答案。
坑五：場景化文案，比你想的還重要
這是我最後發現的訣竅。
與其寫「歡迎光臨，請問需要什麼」，不如寫「嘿，今天想吃點什麼？我推薦那個雞肉飯，超讚的啦！」
為什麼？因為克隆聲音是從你上傳的片段學來的，如果你的文案裡有「嘿」「啦」「喔」這種口語詞，它會自動帶出你上傳時的語氣。
我甚至試過，把「阿母」寫進去，結果閩南語腔居然跑出來一點——雖然不是完全準，但至少比「母親」兩個字有溫度多了。
所以文案越像你平常講話，克隆出來就越像你。
坑六：個資不外流，這點我龜毛
用免費工具，我最怕的就是上傳的錄音被拿去亂用。
好險這個線上tts是免註冊的，而且我查了一下，它不會存你的音檔，處理完就刪。但你自己還是要小心：不要上傳含有身份證、地址、電話的錄音，寧願另外錄一段乾淨的。
還有，如果你要商業使用，記得看一下授權條款。免費歸免費，但有些用途是有限制的。
給你一套直接能用的控制清單
我把上面這些整理成一個簡短清單，你下次合成前照著走：
- 上傳聲音前，先錄一段10~20秒、語氣自然的講話（不要念稿）。
- 文案寫完，先大聲讀一遍，看哪裡卡。
- 把每個標點當表情：問號上揚、驚嘆號加重、逗號短呼吸、句號收尾。
- 該停頓的地方換行，或加「……」。
- 調整語速：興奮調快，嚴肅調慢。
- 加入口語詞（「啦」「喔」「欸」），讓語氣有生活感。
- 輸出前，先聽一小段，不對就改，別一次合成一大段。
這套清單我現在每次都用，合成的結果至少不會被朋友笑「你這個是機器人吧」。
最後說一句
免費聲音克隆這東西，其實沒那麼難，但也不是上傳完就結束。它像調音響，你得慢慢轉旋鈕，找到你喜歡的那個頻率。
如果你也有翻車經驗，歡迎去動態頁留言，我滿想聽聽你怎麼調出「人味」的。
現在，去錄一段「嘿，你聽得出來這是誰嗎？」丟上去試試吧。