声音克隆：如何得到一个像录音里那样的声音
声音克隆，就是做出一个听起来像某段录音中那个人的语音合成音色。有些模型只需几秒音频就能即时克隆。SuperClonica 的做法是把声音训练成一个 Supertonic 3 音色文件，之后它就能在普通 CPU 上离线朗读任何文本。
下面依次说明：可以克隆谁的声音、怎样录一段好的参考录音、得到音色的两种方式（委托作者或自己训练），以及结果能做到什么、做不到什么。需要注意：Supertonic 3 目前不支持中文，克隆出的音色可用于它支持的 31 种语言，比如英语、日语和韩语。
首先：授权与同意
请克隆您自己的声音，或已经同意的人的声音。下单定制音色时，您需要确认拥有录音的权利，并已取得说话人的同意。作者也只能用拥有权利并取得同意的录音来发布音色。
Supertonic 3 的许可证 OpenRAIL-M 同样明确禁止未经同意冒充他人。实际操作中：不要在未经许可的情况下克隆名人、同事或亲友的声音，并把授权和原始录音放在一起保存。
如何录制适合声音克隆的参考录音
音色会学习它听到的一切，包括噪声和房间回声。一段短而干净的录音，胜过一段长而嘈杂的录音。
- 在安静、有软装的房间里录：没有音乐、风扇、车流声和回声。
- 只有一个人说话，不要有叠音或音效。
- 与麦克风保持固定距离，音量平稳，大声的字也不要爆音。
- 按您希望音色呈现的方式说话：沉稳的旁白就平静地读，角色就要演出来。
- 逐字写下录音的准确文本，包括重复和口误。网站会要求每段参考录音都附上文本。
- 时长：在工作室训练时，每段参考录音 5 到 10 秒。委托定制时，可以上传 WAV、MP3、FLAC 或 OGG 文件，每个不超过 30 MB 和 10 分钟，最多 20 个。
方式一：委托作者定制音色
如果没有 NVIDIA 显卡，或者没时间自己训练，可以在“音色定制任务”中发布委托。
- 描述需求：音色、说话方式、用途以及验收标准。设置音色的语言、0.01 到 10,000 美元的预算和以天为单位的期限。
- 添加录音及其准确文本，确认您的权利，然后发布委托。
- 作者会提交方案，由您决定由谁来做。
- 在余额中预留预算。之后作者开始工作，并交付训练好的音色和试听样音。
- 验收结果，或提出具体的修改意见。只有您验收后作者才会收到报酬，音色随后可以以 JSON 文件下载。如果委托取消，预留的金额会退回您的余额。
方式二：自己训练音色
如果您有一台带 NVIDIA 显卡的电脑，在工作室训练是免费的。这台电脑会成为您的工作节点：用个人令牌连接后，它只训练您自己的音色。
- 新建一个音色并添加参考录音：一段 5 到 10 秒的干净录音，附上准确文本。参考录音保持私密。
- 在参考录音旁点击“开始训练”，选择步数并启动。
- 根据试听样音和相似度比较各个检查点，从最有希望的那个继续训练。
- 在训练页面免费下载 JSON。愿意的话，也可以配上封面、介绍和价格把音色上架出售。
克隆出的声音效果如何
训练会找到与录音相近的音色和说话方式。请预期得到一个辨识度高的声音，而不是完美复制：参考录音越干净、越接近想要的效果，结果就越接近。委托定制的音色是私有的，作者不会把它发布到音色市场。
等待换来的是一个能离线全速运行的文件。按我们的估算，SuperClonica 在 8 核台式机 CPU 上比实时快 6.4–9.7 倍，每一句都从同一个音色出发。音色可用于 Supertonic 3 的 31 种语言，但目前不包括中文。
如果现在就需要用一小段录音克隆，尤其是中文声音，零样本模型无需训练就能做到：Qwen3-TTS 只需 3 秒音频，OmniVoice 需要 3–10 秒，Chatterbox 用一段参考录音即可，三者都支持中文。它们的许可证和硬件要求各不相同，详见本站的对比页面。