捷運錄音拿去克隆聲音，AI 唸出「下一站，台北車站」——後來我用免費 TTS 把 80 頁講義變成通勤音檔
你有沒有試過，把自己在捷運上錄的音丟進 AI 做聲音克隆，結果它學出來的聲音裡，夾著一句含含糊糊的「下一站，台北車站」？
我就是那個苦主。
上個月我給自己挖了一個坑。手上有一份 80 頁的課程講義，PDF 排版密到像在排螞蟻，盯十分鐘眼睛就開始痠。我心想，通勤時間那麼長，不如把它變成音檔，戴耳機聽。更好的是——用免費聲音克隆把自己的聲音複製一份，讓「我」來唸，聽起來比較親切。
結果第一次合成出來的東西，差點沒把我送走。
我拿一段捷運錄音去克隆，翻車翻得很徹底
素材是上班尖峰時間在板南線上錄的，三分十二秒。當時我覺得自己很聰明：通勤時間不能浪費，順手唸一段稿子不就得了。手機舉在嘴邊，戴著耳機，唸的是自己寫的讀書筆記。
合成出來第一句還行。第二句開始不對勁。那個聲音像被人按在水裡講話，尾音拖著一股悶悶的轟鳴——車廂的底噪。更誇張的是，唸到第四句，突然插進來一句含混的「下一站，台北車站」。我愣了两秒，倒回去聽了三次才確認：它真的把我旁邊的到站廣播，當成我音色的一部分學進去了。
那一整個下午我都在懷疑人生。明明用的是 AI 聲音克隆線上的工具，怎麼給我搞出一個捷運播音員。
檢討：三個我以為沒問題、其實全錯的地方
雜訊不是「背景」，是「特徵」。 這是我踩得最重的一腳。我以為克隆只會抓人聲，環境音會自動被過濾掉。實際上它學的是整段音訊的統計特徵——捷運持續的低頻、旁邊乘客的聊天聲、手機貼嘴產生的近場爆音，全被當成「你的聲音長這樣」寫進模型裡。素材髒，輸出就髒，沒有例外。
長度跟語速，比音色本身更重要。 我那三分鐘裡，有整整兩分鐘在壓低嗓子講話（怕吵到別人），語速忽快忽慢。模型拿到的樣本又短又不穩，學出來當然四不像。後來我才搞懂，聲音克隆軟體免費版也好、付費的也好，素材品質這一關誰都繞不過去。
手機內建的降噪會幫倒忙。 通話降噪是衝著「讓人聽懂」去的，它會削掉一部分人聲泛音。講電話是好事，克隆是災難——泛音沒了，音色就扁掉。
想通這幾點，我在聲音克隆頁面上重來一遍。這次老老實實的。
重錄一次：衣櫃、棉被、三分鐘
我鑽進衣櫃，把冬天的羽絨外套堆在旁邊當吸音棉。手機開飛航模式，離嘴二十公分，不貼臉。唸的是一段自己寫的、句子長短錯落的白話，語速壓到比平常慢一點點。
三分鐘。就三分鐘。
這次出來的聲音，我自己聽起來有點彆扭——誰聽自己的錄音都彆扭——但我媽在旁邊說了一句「這不就是你嗎」。行，過了。
然後才是正題：把講義變成能聽的音檔。免費 TTS 聲音合成這件事，門檻比我想像的低太多了。
PDF 直接丟進去當然不行。我做了幾件事：頁首頁尾、頁碼、參考文獻的角標，全刪；公式跟表格單獨拉出來，用一句話描述代替（「這裡是一個三行兩列的對照表，左邊是方法，右邊是準確率」）；每個大標題前面補一句「第一部分」，讓耳朵有路標。
處理完的純文字丟進線上文字轉語音，選我剛克隆好的音色，分段生成。線上文字轉語音免費這件事我一開始還半信半疑，用了才發現真的沒收費。八十頁講義切成十一段，每段七八分鐘，剛好一趟捷運的距離。
聽到自己的聲音把「貝氏推論」唸出來的時候，那感覺滿奇妙的。說穿了，就是拿免費 AI 配音當朗讀器用，只不過配音員是我自己。
幾個我踩過才知道的細節：
- 素材寧可短而乾淨，不要長而吵雜。三分鐘安靜的乾聲，勝過三十分鐘會議室錄音。
- 一次別轉太長。超過十五分鐘的單段，聽起來很累，中間也沒辦法斷點續聽。
- 數字跟縮寫先改寫。「2024」寫成「二零二四」，「CNN」寫成「C N N」，不然唸出來很怪。
- 生成前先試聽十秒，免得整段跑完才發現音色選錯。
這套流程跑順之後，我給幾個做無障礙服務的志工朋友示範了一遍。他們的場景更硬——視障讀者要聽的是教材、論文、政策文件，動輒上百頁。對他們來說，能不能免註冊聲音合成、能不能無限制文字轉語音，比音色像不像重要太多了。
我一開始還想找免費語音合成 API 自己寫腳本批次跑，後來發現直接開網頁操作反而更快，也就沒繼續折騰。這個站我比較滿意的是不用註冊，打開就能用。這種免註冊聲音線上克隆的方式，對偶爾用一次的人特別友善。線上免費聲音克隆跟免費文字轉語音在同一個站裡，省得來回跳。真人語音合成免費這件事一旦成立，你等於把自己的聲音變成一個可以反覆呼叫的朗讀引擎，唸多少頁都不心疼。
網站打的是永久免費聲音克隆的旗號，我用了小半年，沒碰過突然收費或額度用完。當然，實際規則還是以官網說明為準。
FAQ
克隆出來的聲音不像我，怎麼辦？
大概率是素材問題，不是工具問題。回去檢查三件事：錄音裡有沒有別人在講話、有沒有持續的背景聲、語速是不是忽快忽慢。還有一個常被忽略的點——情緒。你要是錄素材時在唸一段很激昂的文字，合成出來的聲音也會偏亢奮，唸講義的時候就顯得很怪。錄素材時用平常講話的調子，別演。
講義裡的公式、圖表、程式碼怎麼處理？
別指望 TTS 唸出來。我的做法是把它們轉成口語描述，插在正文對應位置。公式唸「西格瑪從 i 等於一到 n」，表格唸「這個表有三行，第一行是……」，程式碼區塊乾脆跳過，只唸「這裡有一段程式碼，見原文第幾頁」。聽起來笨，但耳朵跟得上。
免註冊的線上工具，會不會有次數限制？
我用了小半年沒碰過。不過網站規則會調整，以官網說明為準。我的建議是別把雞蛋放同一個籃子——重要的長文，生成完就把音檔下載到本機存一份，這樣最穩。順帶一提，更多教學裡也有類似的長文處理思路，值得翻一翻。
如果你手上也有一份看到就頭痛的長文——講義、論文、政策文件、產品手冊——今晚就能動手。找個安靜的小空間，用手機錄三分鐘自己的聲音，語速放慢，句子寫白話一點，然後去免費聲音克隆試試看。
別學我，別在捷運上錄。