免費聲音克隆翻車實錄：雜訊錄音害我白忙一場，語速停頓才是自然度關鍵
上禮拜我半夜趕一個 podcast 企劃，想說偷懶用免費聲音克隆把我聲音複製出來，讓它幫我唸稿。結果呢？我錄了一段在咖啡廳用手機錄的音，背景還有隔壁桌在聊股票，想說「AI 不是很強嗎，應該濾得掉吧」。
然後我上傳到那個免註冊的線上工具（就是 tw.web666.cc/clone 啦），等它跑完，一聽——天啊，那聲音根本不是我，像是感冒的機器人在唸經，尾音還會抖。
我當下差點把電腦砸了。後來冷靜下來，仔細比對，才發現問題不在 AI，是我自己錄音太隨便。這篇就來講我怎麼從翻車到救回來，順便分享一些語速停頓的心得。
第一次翻車：雜訊錄音直接變「水底發聲」
我那支錄音大概 30 秒，內容是唸一段新聞，但背景有咖啡機的轟轟聲、隔壁桌的叉子聲，甚至還有我自己的呼吸聲。
上傳後，它給我生成了一個「聲音」，但聽起來像隔著棉被在講話，而且每個字的尾音都糊在一起。我後來才知道，免費聲音克隆對雜訊超級敏感，它會把雜訊當成你聲音的一部分，學進去。
這不是工具爛，是我餵給它垃圾，它當然吐垃圾給我。
第二次嘗試：安靜環境 + 慢速唸稿，差超多
我回家關了窗戶、把貓關到另一個房間，用手機錄音 app 錄了 20 秒，這次我故意放慢速度，每個字都咬清楚，句尾稍微停頓一下。
上傳同一個工具，這次生成的聲音，連我媽都聽不出來是合成的。她還問我「你什麼時候去錄音室？」我笑死。
差別在哪？我後來歸納出兩點：
- 錄音要乾淨：不是說要專業麥克風，起碼找個安靜的房間，手機離嘴巴 15 公分，不要有回音。
- 語速要慢：你平常講話多快，克隆出來就多快，但如果你唸稿唸太快，AI 會抓不到每個字的發音細節，出來就會糊。
語速停頓才是自然度的隱藏關鍵
我發現很多人（包括我）以為只要錄音乾淨就夠了，但其實語速和停頓的位置，決定了克隆聲音聽起來像不像「人」。
怎麼說呢？我後來試著用同一段乾淨錄音，但改變唸法：一種是像新聞主播那樣快、沒什麼停頓；另一種是像聊天那樣，在逗號的地方稍微喘一下，句號停久一點。
結果第二種的克隆聲音，聽起來明顯自然很多，而且講長句的時候不會像唸經。這其實是因為 AI 在學你的節奏，你給它什麼節奏，它就學什麼節奏。
所以如果你要克隆聲音來唸長文，最好錄音時就把稿子唸得「有感情一點」，該停就停，該快就快。
進階參數：聲調和發音，調一下差很多
那個工具還有進階設定，可以調聲調（pitch）和發音（articulation）。我一開始不知道那是幹嘛的，後來玩了一下：
- 聲調調高一點，聽起來比較年輕、活潑；調低一點，比較沉穩。但別調太多，不然會變外星人。
- 發音調高，每個字會更清楚，但太高的話會變得很「字正腔圓」，反而假。
我自己的習慣是：聲調維持預設，發音稍微調高 10% 左右，這樣唸台灣國語（或閩南語腔）的時候，不會把「你」唸成「逆」，也不會把「我」唸成「襪」。
對，台灣人最在意的閩南語腔，這個工具其實學得還行，但前提是你錄音時就要用自然腔調，不要刻意捲舌。
免費聲音克隆的極限與替代方案
說真的，免費聲音克隆不是萬能。我試過用它來唸 廣東話，結果腔調有點「飄」，可能是訓練資料比較少。但唸繁體中文（台灣用語）倒是挺準的，至少不會跑出簡體用詞。
如果你只是要快速把文字轉成語音，線上 tts 工具（像 tw.web666.cc）其實就夠用了，不用一定要克隆自己的聲音。但如果你想做個人化的有聲書或 YouTube 旁白，那克隆自己的聲音就很有價值。
不過記得，免費版本通常有長度限制，我試過一次唸 500 字的稿子，它會自動分段，但偶爾會斷在奇怪的地方，要自己微調。
給你的實際建議
如果你也想試免費聲音克隆，我的建議是：
- 錄音前，找個安靜的角落，手機放桌上，不要拿在手上（手部摩擦聲很明顯）。
- 錄音時，把稿子唸慢一點，句尾停頓 0.5 秒，逗號處停 0.2 秒。
- 上傳後，先聽一次原始克隆，再進階設定調聲調和發音，每次只調一格，多聽幾次。
我現在已經把這個工具當成日常生產力工具了，唸長文、做影片字幕配音，都靠它。
但老實說，我還是會留一手——重要的對外檔案，我還是自己錄音，因為克隆聲音再像，還是少了一點「人味」。
你也去試試吧，記得先錄一段乾淨的。