AI 变声器
在浏览器里运行的 AI 变声器
两段进，一段出。第一段提供内容、节奏和语气，第二段提供音色。Audiofilter 的音频滤波器在这个标签页里完成转换 — 两段音频都不上传，也不需要账号。
本地音频实验室
改变一个声音
给它一段要转换的音频，再给一段想转成的音色样本。这里说了什么，出来就是什么 — 变的只有声音。
目标说话人的样本。一个人的干净说话声效果最好。
不要用它冒充任何人，也不要用于任何其他非法用途。参见 使用条款.
它实际上做了什么
这是一个 音色转换器，这比「变声器」这个词通常让人联想到的东西更窄，也更可预测。它不改变说了什么，也不改变怎么说。你的录音保留原有的词句、节奏、停顿和重音；被替换掉的是说话人的身份。
按运行顺序讲机制：参考编码器听你的音色样本，把它提炼成 256 个数字 — 在这里，一个声音的全部表示就是这些。后验编码器把你的录音变成一串潜变量序列。归一化流把这串序列正向送进一个与说话人无关的空间，再以那 256 个数字为条件送回来，最后由声码器从结果重建出波形。
只有流看得到说话人嵌入，转换之所以干净正是因为这一点：编码器和声码器做的都是与说话人无关的活，身份的替换只发生在一个地方。
它需要一段音频作为起点，对着打出来的文字什么也不会做。如果你想从文字生成语音 — 那边也有自己的声音克隆 — 请改用 语音合成工具 。
在本地跑它要付出什么
诚实的数字，来自对这个构建的实测，不是估计：
| 项目 | 数值 | 原因 |
|---|---|---|
| 首次访问下载量 | 约 102 MB，仅一次 | 转换器的权重。静态托管对单个文件有 25 MiB 的上限，所以切成五片。之后会被缓存。 |
| 转换速度 | 每 1 秒音频约 18 秒计算 | 三个 WaveNet 阶段占掉其中 82%，其余归声码器。没有哪一处是可以单独拿掉的热点。 |
| 音频长度 | 输入最长 10 秒，参考最长 30 秒 | 5 秒就已经要等一分半左右，再长只会更长。参考那一侧很便宜 — 它的编码器只花约 6 毫秒。 |
| 输出 | 22 050 Hz 单声道，32 位浮点 WAV | 22 050 Hz 是模型内部使用的采样率。用浮点而不是 16 位，是为了让轻声的段落保住细节。 |
怎样得到一个值得留下的结果
- 给参考五到十五秒干净的说话声。 一个人，没有音乐，没有第二个声音。更长并不更好 — 反正最后都会坍缩成 256 个数字。
- 在安静的地方录参考。 转换器会把房间和声音一起还原，样本里有风扇，输出里就有风扇。如果你手上唯一的样本是嘈杂的，先把它送进 降噪 。
- 喂给它说话，不是唱歌。 持续的音高和颤音超出了这个模型被造出来要处理的范围。
- 源那边也要保持干净。 源里的背景噪声会原样活过这次转换；它不是一个清理工具。
- 多试几个参考。 有些声音迁移得比别的好，试两个参考比跟一个较劲要快。
哪些情况下它不行
- 任何长的东西。 一次十秒，等待时间随长度线性增长 — 10 秒就已经是三分钟左右。配音不适合用它。
- 实时。 每秒音频要十八秒的计算，浏览器标签页里的实时转换根本不在考虑范围内。
- 唱歌和音乐。 只处理说话。
- 改变说过的内容。 这里没有编辑，只有重新配音。
- 内存小的设备。 加载期间模型大约需要 200 MB 的工作内存。一台配置一般的手机可能没有这个余量。
你给它什么参考，它就往那个方向转 — 正因如此，这个选择由你来做，也由你来承担。未经本人同意克隆一个真实存在的人的声音，可能侵犯形象权，而且已有多个法域出台了专门针对声音相似性的法律 — 著作权并不是唯一要考虑的问题。用你自己的声音，或者一个你拿到许可的声音。这里什么都不上传，所以这不是我们在管你，只是提醒一句：责任在按下按钮的那个人身上。
不得用于非法用途。 把转换出来的声音冒充成别人的、欺骗某个人或某套声纹验证系统、骚扰、诽谤 — 这些都不是本工具提供出来要被拿去做的事，也不会因为转换发生在你自己的机器上就不再违法。各地法律允许的范围并不相同，待在你所在地的法律之内是你自己的责任。你对本站的使用适用 使用条款.
Audiofilter 音频滤波器套件的其余部分
- AI 人声分离 — 把一首歌分成独立的阿卡贝拉和可直接做卡拉OK的伴奏。
- AI 降噪 — 把说话声后面的风扇嗡声、空调声和麦克风底噪拿掉。
- AI 文字转语音 — 19 个声音，外加从一小段样本克隆。
- 音频转换器与 MP3 压缩 — 在格式之间转换，或者把一个 MP3 变小。
问与答
常见问题
这个 AI 变声器是怎么工作的？
它是一个音色转换器。你的录音提供词句、节奏和语气，参考音频提供声音的身份。参考编码器把样本变成一个 256 维的说话人嵌入，归一化流用这个嵌入重新条件化你的音频，然后由声码器重建波形。
我需要像用语音合成工具那样输入文字吗？
不需要，而且它从文字出发是不工作的。它转换的是你已经有的音频。如果你想要的是从打出来的文字生成语音，请用语音合成工具，那边自带声音克隆。
我的音频会被上传到什么地方吗？
不会。模型只下载到你的浏览器一次，转换就在那里进行。转换前打开网络面板看看：每一个请求都是从本站下载模型，没有任何一个把你的音频送往反方向。
一次转换要多久？
每 1 秒音频大约 18 秒计算，所以 5 秒的片段大概要花一分半。这是实测，不是估计 — 这些活跑在你自己的处理器上而不是服务器上，而且这个模型很重。
我能转换多长的音频？
最长 10 秒，短一点更省心。这是上面那个数字直接推出来的：5 秒大概要等一分半，10 秒则是三分钟左右。上限划在耐心耗尽的地方，不是付费门槛。
参考音频应该多长？
一个人五到十五秒的干净说话声就足够了。更长没有帮助：参考编码器无论如何只花大约 6 毫秒，而且它无论如何都会把整段音频提炼成 256 个数字。
为什么输出听起来像我的房间？
因为一段音色样本会把房间一起带上。转换器会还原它在参考里听到的东西，包括混响、底噪和麦克风的味道。把参考录在安静的地方，或者先用降噪工具清一遍。
输出用的是什么采样率？
22 050 Hz 单声道，也就是模型内部工作的采样率。下载时是 32 位浮点 WAV，好让轻声的段落保住细节。
我能用它克隆任何人的声音吗？
技术上，你给它什么参考它就往那个方向转，而这正是选择要紧的原因。未经同意克隆一个真实存在的人，可能侵犯形象权，在多个法域还会触及专门针对声音相似性的法律 — 著作权不是唯一的问题。用你自己的声音，或者一个你拿到许可的声音。
要下载多大，会不会每次都下？
约 102 MB，仅一次。浏览器会缓存它，之后再来会立刻开始转换。它分成五片送达，因为静态托管对单个文件有 25 MiB 的上限。
想清理一段录音，而不是给它换声音？
打开降噪 → 打开文字转语音 →