一直以來，AI繪圖和AI聲音，都有類似的痛點(diǎn)：
無法直出中文海報(bào)，以及克隆的中文聲音幾乎沒法聽。而前者，隨著上周的即夢(mèng)v2.1，得到了很好的解決。后者，過往有N多產(chǎn)品試圖去解決，但是解決的都很差。閉源的有11labs，英文強(qiáng)到爆炸，中文幾乎沒法聽總是一股子大佐味。開源的，有F5、GPT-sovits、ChatTTS等等，但是不僅本地部署使用困難，出來的情緒說實(shí)話，也不咋地。
而這個(gè)周末，中文的語音克隆痛點(diǎn)，我發(fā)現(xiàn)，被解決了。我直接給大家聽一段我用克隆的AI唐國強(qiáng)老師，念滿江紅的語音。玩了將近2年的AI聲音了，我也是第一次見，能用中文念詩，念的如此情緒飽滿的AI聲音。
這個(gè)AI語音，來自MiniMax的海螺AI。嗯，就是那個(gè)把人物情緒表演拉滿，在海外AI視頻圈大殺特殺的海螺AI。周末我打開海螺AI，準(zhǔn)備跑幾個(gè)case視頻的時(shí)候，意外的發(fā)現(xiàn)，他們悄悄的居然在海外版上線了Audio模塊。
今年1月我就寫過一篇海螺AI聲音克隆的文章，但是那時(shí)候，只能在AI助手上，克隆你自己。這就是當(dāng)今最強(qiáng)的，AI中文語音克隆，沒有之一。一周時(shí)間，AI繪圖和AI聲音，中文世界兩開花。海螺AI Audio網(wǎng)址在此：https://www.hailuo.ai/audio最頂上左邊的就是Audio，剛剛新上的聲音功能，最右邊那個(gè)就是之前爆火的Video。
海螺AI的Audio用起來也非常的簡(jiǎn)單，最左邊的側(cè)邊欄，分為兩個(gè)tab。第一個(gè)是Text to Speech（TTS），也就是你克隆完的聲音模型可以在這個(gè)地方進(jìn)行文字生成音頻了。
第二個(gè)就是Voices，可以在里面進(jìn)行聲音的克隆。我做個(gè)case，給大家詳細(xì)演示一下。直接點(diǎn)那個(gè)“創(chuàng)建您的聲音克隆”按鈕，目前每個(gè)人可以免費(fèi)創(chuàng)建3個(gè)聲音。
上傳的語音最少上傳10s的音頻片段就可以克隆了，不過這個(gè)樣本其實(shí)不是特別夠，所以我一般推薦音頻素材最好在30s左右，當(dāng)然你也可以更長(zhǎng)，不過一般不需要超過5分鐘。這里我直接去B站，扒了一段唐國強(qiáng)老師在《三國演義》里面的朗誦片段。唐國強(qiáng)老師素材,數(shù)字生命卡茲克,50秒
情緒起伏很大，抑揚(yáng)頓挫拉滿，非常完美的原始素材。
有個(gè)降噪選項(xiàng)，可選可不選，如果你的素材比較純凈干凈，可以不用。開的話可以幫你把一些背景音什么的都剔除掉。
最后需要選一下原始素材的語言，海螺AI支持12種語言，分別是：中文、粵語、英語、韓語、日語、印尼語、西語、葡語、法語、意大利語、俄語、德語。你的原始素材的語言是什么樣的，就選什么語言，克隆出來的聲音模型就會(huì)得到最好的效果，比如我上傳的這個(gè)唐國強(qiáng)老師的素材是中文的，就選中文就行。很快，大概只要幾十秒的時(shí)間，唐國強(qiáng)老師的聲音，就克隆好了。
點(diǎn)擊此位置，就可以切換到剛剛克隆完的唐國強(qiáng)老師的聲音模型。我們直接，讓唐國強(qiáng)老師，來念一首李白的《將進(jìn)酒》吧。
這首詩我太喜歡了，《長(zhǎng)安三萬里》李白那一段上天入地，駕鶴登仙的演繹，更是將這首詩在我心中的地位，推向了最巔峰。
我們直接把《將進(jìn)酒》的最后一段扔進(jìn)去。
“主人何為言少錢，徑須沽取對(duì)君酌。五花馬，千金裘，呼兒將出換美酒，與爾同銷萬古愁。”
海螺有個(gè)非常牛逼的點(diǎn)是，可以支持切換情緒。目前有六種情緒：開心、生氣、悲傷、驚訝、恐懼、厭惡。《將進(jìn)酒》的最后一段，在我的認(rèn)知里，雖然一種憤慨，有一種激昂，但是底層情緒，確是悲涼的。點(diǎn)擊生成，幾秒鐘的時(shí)間，一段語音，就出現(xiàn)在了你的面前。
唐國強(qiáng) 將進(jìn)酒,數(shù)字生命卡茲克,18秒
為了更加形象的展示，我把這段音頻做了個(gè)照片驅(qū)動(dòng)對(duì)口型，視頻看起來更直觀一些。而這句話，如果讓11labs克隆林黛玉的聲音來念呢，我給你們聽一下，有多么的鬼畜。
林黛玉11labs,數(shù)字生命卡茲克,2秒
不是說11labs不好，11labs一直以來是世界上公認(rèn)的最強(qiáng)的AI聲音產(chǎn)品，但是在中文表現(xiàn)上，真的是沒法用的狀態(tài)。
而這一次，海螺AI挺身而出，終于，補(bǔ)足了中文領(lǐng)域幾乎是空白的短板，把中文的聲音克隆的音色相似度和情緒，推上了巔峰。
成功率也極高，我想說的是，我上面所有的case，全部是一遍直出，沒有抽過一次卡，這點(diǎn)，真的難能可貴。再給大家看一個(gè)影視颶風(fēng)TIM的例子。
影視颶風(fēng)是我最喜歡以及最崇拜的頻道，沒有之一。相信看過影視颶風(fēng)的觀眾也都無數(shù)次聽過TIM那句：“Hello大家好，我是TIM，歡迎收看影視颶風(fēng)。”而這一次，我們讓AI來說這句話，讓大家聽聽，海螺AI的復(fù)刻有多么的強(qiáng)。注意，為了避免擬合，所以我在上傳到海螺AI的30秒TIM的素材里，是沒有這句開場(chǎng)白的，都是他在聊一些別的東西。跟我記憶中已經(jīng)聽過無數(shù)次的TIM的開場(chǎng)白，沒有任何區(qū)別。這就是現(xiàn)在海螺AI，能達(dá)到的程度。這就是現(xiàn)在，最強(qiáng)的AI中文聲音克隆，沒有之一。作為一個(gè)見證了這兩年AI發(fā)展的親歷者，這一周的感受格外強(qiáng)烈。從即夢(mèng)讓中文海報(bào)一夜之間"通關(guān)"，到海螺AI讓中文語音克隆達(dá)到了前所未有的高度，我仿佛看到了中文AI能力的爆發(fā)時(shí)刻。想想兩年前，我們還在為中文大模型和國際巨頭的差距而焦慮。那時(shí)的AI世界，幾乎是英語的獨(dú)角戲。當(dāng)我們能用AI輕松制作出中文海報(bào)，當(dāng)唐國強(qiáng)老師的聲音能被完美克隆，當(dāng)林黛玉的語氣都能被精準(zhǔn)還原。也許，這就是屬于中文世界的AI時(shí)代的序章。
閱讀原文：原文鏈接
該文章在 2025/1/7 11:46:14 編輯過
400 186 1886
