声音克隆（Voice Cloning）

一句话理解

复刻一副“数字嗓音”——给 AI 几秒钟录音，它就能用这个声音说出任何话。

定义

声音克隆（Voice Cloning）指用少量真人录音训练出对应音色、之后可输入任意文字生成该声音的技术。正当用途是配音、有声书、为失声者重建声音；滥用则是电信诈骗与伪造音频。

你会在哪遇到它

创作者用自己的克隆音色批量配音；有声书用作者授权的音色朗读；游戏动画的角色配音；以及诈骗电话里“熟人的声音”。

背后的原理

克隆模型从录音中提取说话人的音色特征（音高、音色、说话习惯），与通用语音模型结合——语言能力共享，音色可替换。几秒钟干净的样本就能达到可辨认的程度，样本越长越稳定。

和相近概念的区别

1 与语音合成：合成是用现成音色库，克隆是造出新音色再用。 2 与 Deepfake：深度伪造主打视觉换脸，声音克隆是听觉版伪造，两者常组合出现。 3 与实时变声：变声器实时变换，克隆是先建模后合成。

常见误区

1 需要很长录音——几秒即可，“没公开过声音就安全”是错觉。 2 谁的声音都能克隆——克隆他人声音须经授权，未经授权使用涉嫌违法。 3 声音还能验证身份——涉及转账，声音已不可作为身份凭证。