你手上有一条短视频和一份稿子，又不太想自己录 — 没有安静的房间，没有麦克风，或者纯粹不想听到自己的声音压在上面。你要的是一条能直接丢到时间轴上的旁白音轨。
最短路径
- 打开 文字转语音工具。首次访问会把模型下载一次，约 64 MB — 之后它就在缓存里，离线也能用。
- 把你想让它读的那句话粘进去。每次生成最多 500 个字符。
- 从 19 个声音里挑一个，或者用你自己的一段短样本克隆一个。
- 生成、试听，如果断句不对就改改措辞，然后下载。
不上传任何东西：模型在你的浏览器里运行，所以你的稿子和你的音色样本都不会离开这台机器。如果是客户还未公开的稿子，这就是「能用的工具」和「不能用的工具」之间的差别。
500 个字符实际是多少
大约 80 个词，或者约 30 秒的语音。短视频一两次就够了，而对一部二十分钟的纪录片来说，这个形状本身就不对。
更长的内容，请 按镜头逐条生成 ，而不是整份稿子做成一个文件。这不是为了绕开限制 — 而是音频本来就该是这个样子。按镜头分开的文件可以各自移动、改时长、单独替换，而重录一句话也不必把整条旁白重新生成一遍。
克隆一个声音
这个工具能拿一段短录音，用那个声音说出新的文字。真正起作用的是这几点：
- 一段干净的样本。 克隆会照抄它听到的东西，包括房间噪声和嘶声。如果你的样本有噪声，先把它过一遍 降噪 — 这是两个工具之间比较有用的一种搭配。
- 平常说话，不是表演。 中性的朗读比戏剧化的朗读得到的声音更好用，因为克隆在复制音色的同时也复制了演绎方式。
- 几秒就够，更长并不明显更好。先用一段短样本试。
一段真人的录音，除版权之外还可能带有形象权或人格权；在若干司法辖区，未经同意克隆一个可被辨识的声音是违法的，不论录音归谁所有。用你自己的声音，或者 19 个内置声音之一，就完全绕开了这个问题。请看 使用条款第 2 条。
怎么让它读得更好
- 为耳朵加标点。 逗号买来一个短停顿，句号买来一个更长的。把一个长句拆成两句，通常比调任何参数都更快地修好节奏。
- 把拗口的词按读音写。 人名、缩写和单位是合成最常出错的地方，改写比跟它较劲更快。
- 同一句生成两次。 每次运行的输出会略有不同；第二条有时才是你想要的那条。
- 下载为 WAV 如果它要进剪辑软件就用 WAV，压缩留到最终导出再做。
什么时候这是错的工具
- 长篇旁白。 一本有声书或者一部长纪录片意味着成百次生成。那种情况下，能接收整份文档作为输入的服务端服务才是对的形状。
- 手机和老机器。 引擎需要
SharedArrayBuffer，以及一颗够用的处理器。有些移动浏览器和内嵌 WebView 并不提供它。 - 精细的韵律控制。 没有 SSML，没有音素编辑器，也没有逐词音高。你靠改写文本来引导它的读法。
- 按流量计费的网络。 首次加载实打实是 64 MB。
从配音生成字幕
将配音录音添加到 AI 语音转文字，生成可编辑的转写文本，并导出 SRT 或 VTT 字幕供视频编辑器使用。每个文件最长 5 分钟。
常见问题
不自己录音的话，怎么给视频加配音？
把旁白打进一个文字转语音工具，选一个声音，然后下载音频放到时间轴上。浏览器里的工具做这件事不需要账号，也不上传稿子 — 模型在你自己的设备上运行。
一次能生成多少文字？
每次生成最多 500 个字符，大约 80 个词，或者约 30 秒的语音。更长的稿子请按镜头逐条生成；不管怎样，那都比一个长文件更好编辑。
能用我自己的声音吗？
可以。工具会从一段短样本里克隆声音，而你的样本永远不会离开你的设备。请用一段干净、平实朗读的录音 — 克隆会把房间噪声和演绎方式连同音色一起复制过来。
生成的配音能商用吗？
我们对你生成的音频不设任何限制，也不主张任何权利。约束在声音这一侧：未经同意克隆一个真人，可能侵犯形象权，这和版权是两回事。用内置声音或你自己的声音就能避开。
为什么首次加载这么大？
因为在能生成任何东西之前，模型必须先到你的浏览器 — 约 64 MB，一次，之后进缓存。正是这次下载，换来一个不要账号、不要配额、不要上传的工具。