AI 變聲器
在瀏覽器裡執行的 AI 變聲器
兩段進，一段出。第一段提供內容、節奏和語氣，第二段提供音色。Audiofilter 的音訊濾波器在這個標籤頁裡完成轉換 — 兩段音訊都不上傳，也不需要帳號。
本地音訊實驗室
改變一個聲音
給它一段要轉換的音訊，再給一段想轉成的音色樣本。這裡說了什麼，出來就是什麼 — 變的只有聲音。
目標說話人的樣本。一個人的乾淨說話聲效果最好。
不要用它冒充任何人，也不要用於任何其他非法用途。參見 使用條款.
它實際上做了什麼
這是一個 音色轉換器，這比「變聲器」這個詞通常讓人聯想到的東西更窄，也更可預測。它不改變說了什麼，也不改變怎麼說。你的錄音保留原有的詞句、節奏、停頓和重音；被替換掉的是說話人的身份。
按執行順序講機制：參考編碼器聽你的音色樣本，把它提煉成 256 個數字 — 在這裡，一個聲音的全部表示就是這些。後驗編碼器把你的錄音變成一串潛變數序列。歸一化流把這串序列正向送進一個與說話人無關的空間，再以那 256 個數字為條件送回來，最後由聲碼器從結果重建出波形。
只有流看得到說話人嵌入，轉換之所以乾淨正是因為這一點：編碼器和聲碼器做的都是與說話人無關的活，身份的替換只發生在一個地方。
它需要一段音訊作為起點，對著打出來的文字什麼也不會做。如果你想從文字生成語音 — 那邊也有自己的聲音克隆 — 請改用 語音合成工具 。
在本地跑它要付出什麼
誠實的數字，來自對這個構建的實測，不是估計：
| 專案 | 數值 | 原因 |
|---|---|---|
| 首次訪問下載量 | 約 102 MB，僅一次 | 轉換器的權重。靜態託管對單個檔案有 25 MiB 的上限，所以切成五片。之後會被快取。 |
| 轉換速度 | 每 1 秒音訊約 18 秒計算 | 三個 WaveNet 階段佔掉其中 82%，其餘歸聲碼器。沒有哪一處是可以單獨拿掉的熱點。 |
| 音訊長度 | 輸入最長 10 秒，參考最長 30 秒 | 5 秒就已經要等一分半左右，再長只會更長。參考那一側很便宜 — 它的編碼器只花約 6 毫秒。 |
| 輸出 | 22 050 Hz 單聲道，32 位浮點 WAV | 22 050 Hz 是模型內部使用的取樣率。用浮點而不是 16 位，是為了讓輕聲的段落保住細節。 |
怎樣得到一個值得留下的結果
- 給參考五到十五秒乾淨的說話聲。 一個人，沒有音樂，沒有第二個聲音。更長並不更好 — 反正最後都會坍縮成 256 個數字。
- 在安靜的地方錄參考。 轉換器會把房間和聲音一起還原，樣本里有風扇，輸出裡就有風扇。如果你手上唯一的樣本是嘈雜的，先把它送進 降噪 。
- 餵給它說話，不是唱歌。 持續的音高和顫音超出了這個模型被造出來要處理的範圍。
- 源那邊也要保持乾淨。 源裡的背景噪聲會原樣活過這次轉換；它不是一個清理工具。
- 多試幾個參考。 有些聲音遷移得比別的好，試兩個參考比跟一個較勁要快。
哪些情況下它不行
- 任何長的東西。 一次十秒，等待時間隨長度線性增長 — 10 秒就已經是三分鐘左右。配音不適合用它。
- 實時。 每秒音訊要十八秒的計算，瀏覽器標籤頁裡的實時轉換根本不在考慮範圍內。
- 唱歌和音樂。 只處理說話。
- 改變說過的內容。 這裡沒有編輯，只有重新配音。
- 記憶體小的裝置。 載入期間模型大約需要 200 MB 的工作記憶體。一臺配置一般的手機可能沒有這個餘量。
你給它什麼參考，它就往那個方向轉 — 正因如此，這個選擇由你來做，也由你來承擔。未經本人同意克隆一個真實存在的人的聲音，可能侵犯形象權，而且已有多個法域出臺了專門針對聲音相似性的法律 — 著作權並不是唯一要考慮的問題。用你自己的聲音，或者一個你拿到許可的聲音。這裡什麼都不上傳，所以這不是我們在管你，只是提醒一句：責任在按下按鈕的那個人身上。
不得用於非法用途。 把轉換出來的聲音冒充成別人的、欺騙某個人或某套聲紋驗證系統、騷擾、誹謗 — 這些都不是本工具提供出來要被拿去做的事，也不會因為轉換發生在你自己的機器上就不再違法。各地法律允許的範圍並不相同，待在你所在地的法律之內是你自己的責任。你對本站的使用適用 使用條款.
Audiofilter 音訊濾波器套件的其餘部分
- AI 人聲分離 — 把一首歌分成獨立的阿卡貝拉和可直接做卡拉OK的伴奏。
- AI 降噪 — 把說話聲後面的風扇嗡聲、空調聲和麥克風底噪拿掉。
- AI 文字轉語音 — 19 個聲音，外加從一小段樣本克隆。
- 音訊轉換器與 MP3 壓縮 — 在格式之間轉換，或者把一個 MP3 變小。
問與答
常見問題
這個 AI 變聲器是怎麼工作的？
它是一個音色轉換器。你的錄音提供詞句、節奏和語氣，參考音訊提供聲音的身份。參考編碼器把樣本變成一個 256 維的說話人嵌入，歸一化流用這個嵌入重新條件化你的音訊，然後由聲碼器重建波形。
我需要像用語音合成工具那樣輸入文字嗎？
不需要，而且它從文字出發是不工作的。它轉換的是你已經有的音訊。如果你想要的是從打出來的文字生成語音，請用語音合成工具，那邊自帶聲音克隆。
我的音訊會被上傳到什麼地方嗎？
不會。模型只下載到你的瀏覽器一次，轉換就在那裡進行。轉換前開啟網路面板看看：每一個請求都是從本站下載模型，沒有任何一個把你的音訊送往反方向。
一次轉換要多久？
每 1 秒音訊大約 18 秒計算，所以 5 秒的片段大概要花一分半。這是實測，不是估計 — 這些活跑在你自己的處理器上而不是伺服器上，而且這個模型很重。
我能轉換多長的音訊？
最長 10 秒，短一點更省心。這是上面那個數字直接推出來的：5 秒大概要等一分半，10 秒則是三分鐘左右。上限劃在耐心耗盡的地方，不是付費門檻。
參考音訊應該多長？
一個人五到十五秒的乾淨說話聲就足夠了。更長沒有幫助：參考編碼器無論如何只花大約 6 毫秒，而且它無論如何都會把整段音訊提煉成 256 個數字。
為什麼輸出聽起來像我的房間？
因為一段音色樣本會把房間一起帶上。轉換器會還原它在參考裡聽到的東西，包括混響、底噪和麥克風的味道。把參考錄在安靜的地方，或者先用降噪工具清一遍。
輸出用的是什麼取樣率？
22 050 Hz 單聲道，也就是模型內部工作的取樣率。下載時是 32 位浮點 WAV，好讓輕聲的段落保住細節。
我能用它克隆任何人的聲音嗎？
技術上，你給它什麼參考它就往那個方向轉，而這正是選擇要緊的原因。未經同意克隆一個真實存在的人，可能侵犯形象權，在多個法域還會觸及專門針對聲音相似性的法律 — 著作權不是唯一的問題。用你自己的聲音，或者一個你拿到許可的聲音。
要下載多大，會不會每次都下？
約 102 MB，僅一次。瀏覽器會快取它，之後再來會立刻開始轉換。它分成五片送達，因為靜態託管對單個檔案有 25 MiB 的上限。
想清理一段錄音，而不是給它換聲音？
開啟降噪 → 開啟文字轉語音 →