把咖啡廳的磨豆聲一起克隆進去之後，我才搞懂文字轉語音該怎麼用
週三下午三點，我坐在咖啡廳二樓靠窗的位置，筆電螢幕上是客戶十分鐘前才丟過來的新版腳本。配音老師這週檔期全滿，影片明天要上。我盯著那行字看了大概三十秒，心裡冒出一個念頭：不是有聲音克隆嗎？我自己錄一段，讓 AI 幫我唸不就好了。
於是我掏出手機，對著螢幕唸了兩百多字的稿子。背景有磨豆機在轉、隔壁桌在聊股票、托盤上杯盤碰撞的脆響。我當時的想法很天真——AI 應該會幫我把雜音「洗掉」吧。
成品出來，那個人聲像從浴缸底部傳上來的。字聽得清楚，但整個人泡在水裡，尾音拖著一層嗡嗡的霧。
客戶聽完，沉默了五秒，說：「……我們還是等下週的配音老師好了。」
那天我把專案檔刪掉，從頭來過。
翻車現場：我到底餵了什麼東西給克隆工具
先講清楚，我用的就是最普通的免費聲音克隆流程——上傳一段自己的錄音，等它把音色學起來，接著打字，讓它唸出來。工具本身沒問題，問題在我。
那段錄音我重播了三遍才聽出來：磨豆機是低頻噪音，人聲聊天卡在中頻，最致命的是手機離嘴超過二十公分，整個空間的殘響全被收進去。克隆模型學的是音色，但它學到的不只是我的嗓子，還有那間咖啡廳的空氣。
還有一件更蠢的事。我唸稿的時候為了「有感情」，刻意把聲音壓低，比平常講話低了半個八度。結果克隆出來的是——一個很累的、好像快感冒的我。
後來我才真正懂一句話：你餵它什麼，它就還你什麼。在聲音克隆這件事上，這句話是字面意思。
重錄那天，我做了三件很土的事
換地方。我鑽進衣櫃，背後掛兩件羽絨外套，手機架在衣架上，離嘴大概一個拳頭。衣櫃一點都不體面，但它吸音，比任何降噪外掛都實在。
換稿子。不唸正式旁白了，改成用平常聊天的語氣唸一段自己寫的雜記。越鬆越好，因為克隆要的是「你講話的樣子」，不是你播新聞的樣子。
錄長一點。四分鐘，中間有停頓、有換氣、有一句唸錯自己笑出來的片段，全部留著。
然後重新上傳。這次出來的聲音讓我有點恍惚：就是平常的我，只是換了內容。
順帶一提，這類線上文字轉語音的入口現在真的不難找，點開就能用。難的是「把素材準備好」這一步，而這一步沒人能替你走。
素材乾淨之後，這些場景才算真的用得上
素材過關以後我才發現，免費AI配音這件事真正難的從來不是「免費」兩個字，而是你手上到底有沒有一段能聽的素材。
我試過兩條路。一條是把聲音克隆軟體免費版裝到本機，跟驅動程式和顯卡打架，搞了半天還在裝環境。另一條是 AI 聲音克隆線上做：打開網頁、上傳、打字、出音，而且免註冊聲音線上克隆——連帳號都不用建，這點對我來說很加分。這種線上免費聲音克隆最省下的不是錢，是情緒。
- 短影音口播：腳本改十遍，配音就得重錄十遍。以前這是折磨，現在改完字直接出音，試錯成本幾乎是零。IG Reels、YouTube Shorts、TikTok 都一樣。
- 課程與知識音檔：把講稿轉成音檔，通勤時自己先聽一遍。哪句話唸起來卡，耳朵比眼睛誠實。
- Podcast 與電子報：不想露臉、也不想每次重錄的，用自己的克隆音去讀，比機械合成音舒服太多。
- 幫長輩做語音：把長篇文章、家電說明書、吃藥提醒轉成語音，比在 LINE 丟一大段文字有用得多。
- 產品示範與無障礙：示範影片、螢幕閱讀素材，需要「人聲」但又不需要真人反覆進錄音室。
這些事我都是用同一套流程做的：先把音色存下來，再拿文字去合成。因為免註冊聲音合成、字數也不卡，我可以反覆試——同一句話換三種語氣、兩種停頓，聽哪個順耳。這種無限制文字轉語音帶來的自由，比功能列表上多幾個開關重要得多。
老實說，現在免費TTS聲音合成的門檻已經低到，你唯一要付出的成本，就是認真錄三分鐘。線上文字轉語音免費的工具滿街都是，但成品好不好聽，八成取決於你交給它的那三分鐘。
如果你也在折騰這些，更多教學裡有一些實際操作紀錄，比我這種踩坑式摸索省時間。
我現在的固定流程
很固定：先錄一段乾淨素材（安靜房間、手機或耳機麥克風、正常語氣、三到五分鐘）→ 上傳克隆音色 → 打字合成 → 試聽 → 不滿意就回頭改文字裡的標點和斷句。
對，標點。這是我另一個教訓。逗號是短停頓，句號是長停頓，刪節號是「這裡喘口氣」。標點寫對了，節奏就對了，比在工具裡拉參數有用得多。
出來的人聲已經很接近真人語音合成，而且免費——這種事我三年前做影片時想都不敢想。
三個常被問到的問題
錄音一定要用專業麥克風嗎？
不用。我在衣櫃裡用手機錄的那條就夠用。真正毀掉素材的是環境噪音和距離，不是器材。安靜的房間加上離嘴一個拳頭的距離，勝過一支幾千塊的麥克風擺在吵雜的客廳。
克隆出來的聲音可以直接商用嗎？
要看你克隆的是誰的聲音，還有平台的使用條款。克隆自己的最省事。克隆別人的——就算是你同事——先問一句。台灣這邊聲音也算人格權的一部分，為了省一點配音費去踩線，不划算。
免費的和付費的差別大嗎？
我用永久免費聲音克隆這套流程做出來的東西，夠用。差別主要出現在極端需求上，例如超長文本、非常細膩的情緒起伏。日常的口播、課程、通知，免費文字轉語音的方案完全撐得住。常有開發者朋友問我有沒有免費語音合成API可以接，我的答案一律是：先用網頁版把素材和文本跑順，再來想接接口的事，不然你只是在批量生產噪音。
想試的話，今晚就可以
找個安靜的房間，用手機錄三分鐘，就唸你手邊任何一篇文章，語氣放鬆，別端著。然後把那段錄音丟進去，打一句話生成出來聽聽看。
我那次翻車賠掉一個下午，換來的經驗是——克隆這件事，八成時間該花在「錄」上，不是花在「調」上。剩下那兩成，交給工具就好。