在夜市錄音還想克隆聲音？免費 AI 配音翻車實錄：不清洗音訊根本沒得玩
上週六晚上人擠人、機車轟鳴聲、攤販叫賣聲混成一團的士林夜市，我拿著手機對著錄音 App 大喊：「哈囉大家好，我是阿文！」
腦袋裡想著：反正平台號稱免費聲音克隆支援免註冊線上克隆聲音，上傳試試又不扣錢，最糟不過重來。
結果生出來的檔案一播——我的聲音被一層厚厚的「白噪音」包得水不漏，連自己名字都聽不清，彷彿把收音機開到最大音量再蓋棉被，根本是恐怖片配音。
事後才翻到官方文件，原來永久免費聲音克隆雖然不限次數，但對輸入音訊的訊雜比有硬門檻：背景雜訊超過 -20 dB 相似度就會崩盤。那一刻才體會，免費不等於「無腦可用」，前期清洗才是關鍵。
怎麼在免費平台把聲音洗乾淨？Audacity 懶人包
其實不難，開 Audacity 三步驟：
- 找一段純背景雜音當「噪聲樣本」
- 效果 → 降噪 → 取得噪聲設定檔 → 全選 → 再點一次降噪（預設值通常就夠）
- 增益稍微拉高 2-3 dB，避免人聲細節被削掉
匯出 16 kHz、單聲道 WAV，幾百 KB 上傳快到飛起。跑去線上文字轉語音頁面隨便打幾句測試文本，確認語調自然後，再把洗過的樣本丟給免費聲音克隆做最終克隆。
有開發需求的話，平台還提供免費語音合成API，直接在 Python 腳本裡呼叫，批量產出不用一直點滑鼠。整個流程大概 5 分鐘，比我以前在收費軟體裡折騰半小時還省事。
從有聲書到 IG Reels，實際場景大不同
聽書/有聲書最看重長跨度語調連貫。我拿克隆好的聲音朗讀一章《三體》（繁中版），語速、停頓都能跟上原著節奏，甚至比某些商業 TTS 少那種「機器人感」。
短影音配音則完全是另一碼子事——IG Reels、YouTube Shorts 常只有 15 秒，要求語氣炸裂、情緒到位。我用免費AI配音功能把同一段文本生成三版，挑最炸的一條直接丟進 CapCut 剪成片，播放量比上次找真人配音那期高出 30% 還多。
Podcast 開場白我則用真人語音合成免費生成的版本，疊上 Lo-fi 背景音樂，上架到 SoundOn 跟 Apple Podcast，聽眾在留言區根本聽不出是合成的。至於無限制文字轉語音的字數限制？平台根本沒設限，隨便丟一萬字也能跑完，省去分段拼接的麻煩。
常見問題 FAQ
為什麼嘈雜錄音克隆出來全是雜音？
因為模型訓練時學的是乾淨人聲的頻譜特徵，背景雜訊會被當作語音特徵一起建模，導致合成結果把噪音「學進去」了。
免費平台真的永久免費嗎？
官方承諾永久免費聲音克隆不收費、不限調用次數，也沒有隱藏會員牆，只要不濫用商業分發就能一直用下去。
能不能把克隆的聲音導出給別的軟體用？
生成的音訊是標準 WAV/MP3，直接下載即可匯入 Premiere、CapCut、DaVinci Resolve 或任何支援音軌的工具，完全沒有加密或浮水印。
更多實操技巧見更多教學。
原來只要先把背景音削掉，連我那副耳機線快斷的舊耳機都能派上用場。下次想試聲音克隆的朋友，先花三分鐘洗乾淨音訊，真的會謝謝自己。