上週三晚上十一點，阿凱丟了一條八秒的語音過來。一個女聲在唸產品說明，語氣鬆鬆的，中間還夾了一次很輕的換氣。緊接著他打字：「這聲音是真人配的吧？」

不是。我用 免費聲音克隆 生成的，前後不到兩分鐘。

他沉默了三秒，然後問了一個我完全沒預料的問題：「那你匯出的時候，選 MP3 還是 WAV？」

……老實說，這個問題比「像不像真人」難回答多了。

事情是怎麼拐到格式上去的

阿凱在做電商商品頁，最近在幫一批商品配解說音訊。他之前找過外包配音，一條 30 秒報價 80 塊，改一次加 30。後來我給他示範了一次線上免費聲音克隆，他當場愣住——不用裝軟體、不用註冊帳號，把文字貼進去就能出聲。他反覆確認了三遍：「真的永久免費聲音克隆？」

我懂他的驚訝。這幾年打著「聲音克隆軟體免費」旗號的工具我試過七八個，多數是免費額度用完就彈窗，不然就是匯出帶浮水印。免註冊聲音合成又不限次數的，確實不多。

但真到自己動手，問題就來了。他在 線上文字轉語音 頁面上輸完文案，點匯出，看到兩個格式選項，卡住了。很多人搜「線上文字轉語音免費」找到一堆站點，糾結半天哪個聲音更自然，結果在最後一步隨手選了個格式，把前面累積的好感全浪費掉。

MP3 和 WAV，差的真的不是「好不好聽」

先破一個常見的誤解。

WAV 不是「音質更好」，它是「沒有經過壓縮」。MP3 也不是「音質差」，它是「有損壓縮，但壓得聰明」。這兩個東西的關係有點像 RAW 和 JPEG——不是誰高誰低，是用途不同。

WAV 保留的是原始取樣資料，檔案大得離譜。一段 1 分鐘的音訊，44.1kHz / 16bit，大概 10MB 上下。MP3 同樣長度，128kbps 只要 1MB 左右，320kbps 也就 2.4MB。

那多出來的體積換來什麼？換來的是「可編輯性」。如果你後面還要進剪輯軟體做降噪、變速、混音、拼接，WAV 經得起反覆折騰。MP3 每匯出一次就掉一層，剪三輪下來，齒音會開始發毛。

反過來，如果你只是把音訊丟進短影音、丟進 LINE、丟進網頁播放器——那 WAV 那 10MB 純屬浪費。平台自己還會再壓一遍，你等於白折騰。

我自己的習慣，大概是這樣分的

做了幾年內容，我基本上形成了條件反射：

  • 要進剪輯軟體二次加工的，一律 WAV
  • 直接交付、發群組、傳平台的，MP3 320kbps
  • 拿不準的，先匯 WAV 存著，需要時再轉 MP3

第三條是踩坑之後加的。有次給客戶交了個 MP3，對方說「背景音樂壓一下」，我又拿 MP3 去剪，出來的人聲明顯悶悶的，只能重新生成一遍。那次之後我就學乖了。

講到生成，順帶提一句：用 AI 聲音克隆線上做配音，最省事的其實是「一次生成、兩種格式各存一份」。反正現在無限制文字轉語音，重新跑一遍也就幾十秒的事，沒必要為了省那一點儲存空間去賭。

另外，如果你打算把語音接到自己的程式裡批次跑，那更要在源頭留好無損版本。VoxClone 這邊提供了免費語音合成 API 的呼叫方式，介面回傳的音訊直接存成 WAV，後期想做什麼處理都還有餘地。這種「源頭留無損」的習慣，比事後補救划算太多。

幾個被問爛了的問題

MP3 會不會聽起來很「AI」？

不會。或者說，格式不是那個決定因素。一段語音聽起來假，通常是因為文本斷句奇怪、或是選的音色和內容氣質不搭——比如用新聞播報腔唸一段賣萌文案。不管是免費 AI 配音還是免費 TTS 聲音合成，自然度早就過了「一聽就假」的階段，尤其真人語音合成免費這類方案，取樣音色本身就很乾淨。格式帶來的差異，在手機外放上基本聽不出來。

做短影音，匯出 WAV 會不會太大傳不上去？

會。TikTok、YouTube Shorts、Instagram Reels 這些平台對上傳體積都有隱性限制，而且它們最後都會轉碼。你傳 WAV 上去，平台照樣給你壓成 AAC。所以短影音場景直接 MP3 就行，別跟自己較勁。

匯出的檔案還能改嗎？

MP3 能改，但改一次掉一次。如果只是裁掉頭尾的靜音，問題不大；如果要變速、變調、降噪，建議回到 聲音克隆 頁面重新生成一份 WAV 再動手。反正免註冊聲音線上克隆這點好處就在這裡——成本低到你可以隨便重來。

寫在最後

回到阿凱那條 LINE。我最後給他的建議是：你這批商品解說音訊，先按 WAV 匯一份存檔，再轉成 MP3 320kbps 交付。他不信邪，說「差這麼一點能聽出來嗎」。我說聽不出來，但你三個月後要改文案的時候，就知道差別在哪了。

如果你也在糾結這個，別停在頁面上想。挑一段 30 秒的文字，用 免費文字轉語音 生成兩次——一次 MP3，一次 WAV，戴上耳機聽一遍，再拖進剪輯軟體剪一刀。五分鐘，比看十篇教學都管用。

順手也能翻翻 更多教學，裡面有些坑我已經替你踩過了。