免費聲音克隆踩坑記：5秒音檔錄客服IVR，七遍才摸出門道
上個月公司客服專線要換語音提示，外包報價八千塊，還要等兩週。我心想，這不就錄幾句話嗎？結果一問才知道，要找人進錄音室、後製、還要授權。我當場翻白眼——然後突然想到，之前看過什麼免費聲音克隆線上工具，好像可以拿幾秒音檔就複製聲音？
我承認，當時我以為這是魔法。結果，是魔法，但需要唸咒語的那種。
第一次嘗試：5秒樣本，直接翻車
我拿了自己在辦公室錄的一段5秒自我介紹，丟進免費聲音克隆網頁版（就是 tw.web666.cc/clone 那個，不用註冊）。輸入客服IVR的稿子：「您好，歡迎致電本公司，請按1轉接業務，按2轉接客服，按9重聽選單。」
出來的聲音——嗯，怎麼說，像是我感冒加吃壞肚子，還被掐著脖子。數字「1」唸成「一」，「9」唸成「九」，跟原稿的語調完全不對。我當下懷疑這工具是不是壞了。
七遍之後，我悟了
後來我冷靜下來，開始看說明。它有個「高級設置」，可以調聲調、發音。我試著把聲調調高一點點，發音改成「台灣國語」——結果還是怪。
第七遍，我終於發現問題在哪。不是工具爛，是我給的樣本太隨便。我錄那5秒時，背景有鍵盤聲，而且我唸得很平，沒什麼情緒。克隆出來的聲音就像一張沒表情的撲克臉。
踩過的坑，一次說清楚
坑1：樣本品質決定一切
免費聲音克隆不是魔法，它需要「乾淨、清楚、有語氣」的音檔。我後來重錄了5秒，找安靜角落，手機距離嘴巴15公分，唸「今天天氣很好，我們來測試聲音」——帶點微笑，像在跟朋友講話。結果第二次克隆，明顯像人多了。
坑2：數字唸法要自己調
IVR最怕數字唸錯。我發現這個線上tts預設會把「1」唸成「么」（對，軍用那種），「2」唸成「兩」。在台灣，客服語音通常唸「一、二、三」。我在高級設置裡找到「發音」選項，改成「台灣慣用」，才正常。
坑3：停頓比你想的重要
第一次輸出，整段話黏在一起，像在趕火車。後來我學會在稿子裡加逗號、句號，甚至用「…」來製造停頓。例如「您好，歡迎致電……請按1，轉接業務。」這樣出來的聲音，才有客服該有的從容。
坑4：語氣一致性，靠「參考音」
免費版沒有「參考音」功能，但你可以用同一段樣本，多生成幾次，挑最順的。我錄了三次樣本（每次5秒，不同句子），輪流丟進去，選語氣最穩的那次。
免費聲音克隆，真的夠用嗎？
說實話，拿來錄客服IVR，免費版完全夠。我最後輸出的音檔，拿去給同事聽，沒人發現是合成的。但如果你要錄有聲書，或需要長時間、多情緒的內容，免費版可能撐不住——它會開始飄，像喝醉。
我後來還試了文字轉語音功能（tw.web666.cc 首頁就有），直接輸入文字，選「女聲」，可以選「台灣女聲」或「廣東話女聲」。對，有廣東話，這對台灣人來說很驚喜——雖然我聽不懂，但同事說「有像」。
最後的建議
如果你也想試，記住：別拿5秒廢音檔去賭。花十分鐘，錄一段乾淨、有語氣的10秒樣本，再開始克隆。然後，多生成幾次，挑最像人的那一次。
對了，個資問題——這工具不用註冊，音檔上傳後，理論上不會留。但我還是建議，不要拿客戶資料去試。錄自己的聲音，最安全。
我現在已經把公司IVR換成我的克隆聲了，省了八千塊，還不用等兩週。唯一後遺症是——同事現在打電話來，都會故意按9，聽我重講一遍。
你也想試的話，聲音克隆頁面 就在這，免註冊，直接上傳。祝你第一次就成功，別像我錄七遍。
（對了，如果你需要更多靈感，可以看看 動態文章，裡面有其他人的實測。）