每天一个AI小知识 · 第35天

一条三分多钟的口播，光是开头那句"大家好"，你就录了五遍。

头一遍气息不稳，第二遍窗外驶过车辆，第三遍直接卡壳。剩下两遍听不出差别，只想随便挑一条交差。进度条没走多少，1小时已经耗掉。

你肯定动过念头：干脆让AI帮我念旁白。可试听总觉得别扭，声音不是自己的味道。明明捷径摆在眼前，还是坐回话筒重录。

这两天AI语音的变化，就藏在这份纠结里。

AI语音早就不是新鲜事，新的突破是：它能直接造出你想要的音色，不用在预设音色库里勉强挑选。同样预算，从前只能生成一次旁白，现在可以试二十次。

AI语音的门槛，已经从"能不能发声"，变成"想要什么样的声音"。

近日热点

① 谷歌DeepMind上了两款语音模型，声音能按描述现造。你用一句话描述要什么样的声音，它就照着造一个，还能拿30秒样本复刻一个人的音色，一句一句指定怎么念，安排两个人对谈，覆盖100多种语言。

② 通义千问发Qwen-Audio-3.1，五个模型一起降了价。听懂、说话、实时对话全升级，另外多了两个做音频创作和理解的模型。全线降价，语音合成降约七成，实时对话降约八成半，语音识别降幅到九成半。

③ 语音功能开始能调用工具了。OpenAI的语音能力升级，能在说话时调用邮箱、日历、Slack这些工具，语音也进了ChatGPT Work的网页端和手机端。

今天的小知识

今天把这四件事拆开说：声音怎么造出来的，为什么突然便宜，30秒够不够用，省钱的另一头在哪。

① 声音是怎么"造"出来的：以前你只能在现成的几十个音色里挑一个，挑不着就凑合。现在你说一句"三十来岁的女声，语速偏慢，带点鼻音"，它就照这个描述现生成一个不存在的人。

根本的变化是：它不再从一批固定的声音里挑一个给你，你说什么，它就照着当场合成一段。但是，你说得含糊，它给你的就是一个谁都不像的平均声，听着总会觉得差了点什么。

② 为什么突然便宜这么多：语音这活儿，以前是顺手丢给大模型干，大模型什么都能干，代价是什么都贵。现在单独训一个只干语音的小模型，体积小、跑得快，成本就塌下来了；几家又同时抢这块，价就压得更狠。

三个数字摆着：七成、八成半、九成半。价钱跌成这样，能出声的人一多，被记住反倒更难了。报降价的是这几家自己，你手上正在用的那个工具换不换、什么时候换，是另一回事。

③ 30秒够不够，边界在哪：30秒能抓到一个人音色的轮廓，抓不到他那些情绪、停顿习惯和口头禅。以前想复刻得像，得录几十分钟的素材，现在半分钟起。

AI仿声辨真假是怎么分辨真假、怎么护住自己的声音；这次说的是：便宜到这个程度，你能拿来干什么。它抓的是音色的轮廓，一到长句子、情绪起伏大的地方，就会露出那种谁也不像的平。

④ 省钱的另一头在用量上：Fireworks出了个Ember-1，是在Kimi K3上面做的专用模型，少约四成token能达到差不多的质量。它凭什么能少说这么多：一个模型只干一件事，脑子里不用装着别的活，答题时绕的路就短。

同样的意思，说得长也说得短，省掉的那部分就是钱，所以省钱有两条路：单价降，用量也能降。需要注意是适用范围，一个专用模型对一个活儿，换个活儿它就不灵了，而且它现在挂着预览版的名头，不是正式版。

跟你有啥关系

自己录口播的：同一条稿子，今天念得顺，明天怎么念都平，状态不由你。

给片子配旁白的：你守着它一段一段出声，每回卡半分钟，一条片子得来回四趟。

想把内容发到外面去的：你得先找人翻译，再找人念，多次付费，出来的可能还不是一个声。费钱费事，还不像你。

顺手收藏

挑声音先别急着复刻，先用描述造一个：谷歌语音一句话定制全新音色，30秒音频复刻音色，但要注意他人声音授权。用描述造一个，造出来的声音没有"这是谁的嗓子"这层麻烦，拿它先试，省事。

看降价先看是单价还是总账：模型降价单价，但你要是量翻上去，账单不一定跟着少。

判断一段音频要不要真人补一句，听它的停顿和换气：长句子一口气念到底，听着就假。长句中间增加自然换气停顿，不要一口气读完；保留轻微的气息感，语速自然，不要匀速。

声音要不要本人点头：拿同事、朋友、家里人的嗓子去复刻，先问过本人，这层不商量。

四条过完，哪个声音能用、哪笔钱省得踏实，你自己能拍板。

小白能先做点啥

现在AI配音成本变低，你可以反复调试，但人声的情绪起伏，不会靠多生成几次自动变好。下面这四步，就是你手上那条视频里，声音这块要走完的路。

先把音色定下来。可以用一句描述造个全新音色，也可以克隆本人的音色：豆包App→我的→设置→声音→克隆我的声音。自然朗读，保留停顿、重音、语气，录20多秒。仅限个人非商用，需要实名，使用前勾选自用承诺。

做完你该看到的是：念出来听感自然，不是生硬念稿。

给稿件加朗读指令。把旁白按逗号、句号拆成一句一行，每行前面标注朗读指令，例：[慢一点] [压低音量] [停顿0.5秒]。支持这个格式的AI可以直接一次性生成；不支持就逐句生成后拼接。逐句拼接容易出现音色轻微漂移，优先选支持整段指令的工具。豆包网页版有免费额度，支持音频生成下载，单次有字数上限。

做完你该看到的是：每一句语速、轻重都按设定执行，不会全程平铺一个调子。

校验试听，不合格就重生成。固定一句测试句：今天好累啊。分别用疲惫、开心两种情绪生成，对比听感；换模型或调参数时，都用这句话测试。也可以拿你原来不满意的旁白，和AI配音对比，定位是断句问题还是情绪不足。

做完你该看到的是：同一句话的不同情绪你能明显分辨；配音到底差在哪，你能说得出来。

收尾两件事：导出字幕，核算开销。字幕：剪映电脑版，导入视频→文本→智能字幕→右键导出SRT/TXT，免费无水印。开销：同一份素材，不要同时做转写和配音，免得数据混乱；先用通用大模型跑一遍，记下消耗，再用专用音频模型（比如通义千问音频系列）跑同一份任务，记下费用，两组账单摆一起看差价。通义千问音频模型按需计费。

做完你该看到的是：一份带时间码的字幕；两组费用数据摆得清清楚楚，差多少一眼看到。

5个核心概念

① 声音设计（Voice Design）：按你的一句描述，造出一个本来不存在的声音。原理是它学的不是某个人的嗓子，是描述和声音之间的对应关系。

大白话：像照着一段文字画像捏出一个人，这个人本来就没有。

② 实时语音（Realtime）：边听边答，不等你把话说完。原理是把"听明白"和"想好怎么答"拆成两截同时跑，不用等你闭嘴再开工。

大白话：像跟人打电话，你话还没落，他那边已经接上了。

③ 逐行表演指导（Performance Direction）：一句一句指定它怎么念。原理是给每行字单独标上情绪、快慢和停顿，不是整篇一个调子念到底。

大白话：像导演在剧本每一句旁边写批注，这句压低、那句快点。

④ 专用模型（Specialized Model）：只干一类活的模型。原理是从大模型里把干这件事用得上的那部分单独拎出来练，所以又快又省。

大白话：像把什么都看的医生换成只看这一种病的专科医生，看这一样更快。

⑤ 多说话人（Multi-speaker）：一段音频里安排几个不同的声音对谈。原理是同一个模型切换几套声音设定，不用真找几个人来录。

大白话：像一个人分饰两角，自己跟自己对台词。

收个尾

声音，正从稀罕变成管够。落到钱上就一句：声音在贬值。

贬值的只是单价，和音质好坏无关。供给一多，单份声音的成本自然变轻。

开头那笔账还记得吧，从前配一次旁白的预算，现在能试二十版。

这个数字意味着，你可以放开试，不用每次试音都掂量钱包。

但变便宜，不等于可以闭着眼用。说得清来路的那种声音，用起来没这层麻烦；照着真人音色复刻来的，边界很清晰：必须获得本人授权。

声音越来越像随手就能取的素材，好嗓子不再稀缺，省下来的那部分，得靠你说什么补上。

有一种想法挺常见：声音都这么便宜了，那就全交给它念。真全交出去你会发现，观众记住的还是那点人味儿。

这一轮省下来的，不在账单上，在你少录的那几遍里。

AI声音便宜了，但我的声音录进去之后去了哪、变成了谁在说话，这个问题，比省下的那点钱重要多了。

每天一个AI小知识，咱明天见。

#AI配音 #语音合成 #声音设计 #剪映 #每天一个AI小知识 #零基础学AI #新人小白 #AI小知识 #AI自习室手账 #自媒体提效

👉 关注「AI自习室手账」，每天一个AI小知识，零基础也能跟上AI。