学习中心
学习中心
学习中心
声音克隆技术能够通过分析目标角色的声音，生成与之相似的语音，提供个性化的内容呈现方式，基于 AI 的声音克隆技术，允许用户选择个性化的声音进行文字的转述。声音克隆技术在个性化语音助手、虚拟主播、有声读物、影视后期制作和安全领域领域展现出广泛的应用前景。
在这一领域，飞影数字人团队已成功推出“声音克隆”基础版本，上线之后，凭借稳定且优异的发挥，得到了许多用户青睐。但是，在此基础上，飞影团队秉承着“精益求精”的态度，针对用户的使用反馈，做了进一步的细节优化，推出了“声音克隆”流畅版！
先以大家耳熟能详的《让子弹飞》中的一句台词看看效果：左边是原台词，右边是用飞影克隆出的声音。是不是已经很难分辨了？
其实，基础款已经在语音质量上均取得了不俗的成果，能够稳定生成自然、清晰且连贯的语音输出。基础款的语音合成技术在模仿真实人声方面做得非常到位，无论是在语调的起伏、节奏的把握，还是在情感的表达上，都显得十分自然。听众在聆听二者生成的语音时，也几乎感觉不到与真人发声的明显差异，在应对日常需求方面已绰绰有余。那么，流畅版又在哪些地方做了改进？和基础版相比又有哪些优势呢？ 我们今天就来深扒一下。
★ 更加清晰的语言表述：
基础版在部分词语上存在语速连读过快的问题，导致用户听觉识别上可能存在问题。有部分字眼上会产生“吞音”，即不能完整且饱满的读出整个字的完整音节，直接影响了语音的清晰度和可理解性，使得听众在理解内容时可能会感到困难。而在流畅版中，对这一问题进行优化，在保证每个字发音标准基础上，满足听众“沉浸式”的听觉体验。
例： 今天是 12 月 21 日，星期六。冬至，如约而至，在最长的夜，期待一场温暖，愿来年，如初生的朝阳，温暖每个梦想，照亮前行的路。
基础版生成的音频文件中，对部分字的朗读（如：文本中的“月”“暖”两字）在发音上存在吞音，模糊不清的情况。这导致语音的清晰度和可理解性变低。一些不在意字幕，只听声音的听众在理解内容时可能会感到困难而带来误解。而流畅版中的每个音都能饱满圆润，清晰标准地发出。
下面展示一段更加“极端”的例子：
例: 刀，怒斩雪翼雕。 山，豪迈冲云霄。火，翻腾在燃烧。 海，掀起万丈高...
基础版模型在生成语音时，往往会出现一些不和谐的跳动音节，这些不协调的元素会打断听者的注意力，降低语音的自然度和舒适度。从这个例子中可以看出：基础版在每个短句上出现不和谐的气流杂音。只能依靠后期删去，而流畅版则完美规避了这一问题。流畅版面对不同特点任务时泛用性普适性更加强大，能够更加准确的判断语言信息，生成自然流畅的音频。
★ 更加准确的节奏把控：
基础版在模仿真实人声时也存在一定的局限性，它在语调的起伏和节奏的把握上不如流畅版自然，有时甚至会出现生硬的断句和明显的节奏变化，这些都会使得语音听起来不够流畅，缺乏真实感。流畅版可以较为精确地按照文本内容进行调整，确保了语音输出的一致性和可理解性。此外，流畅版在处理复杂的语音场景，如连续的语流、快速的语速变化或是情感丰富的表达时，都能够保持稳定的表现，不会出现突兀的跳跃或不自然的停顿，这进一步增强了其语音输出的流畅性和舒适度。
话不多说，上案例：
例: 去理发店呀，一定不要去大店。大店都是学徒，小店才是师傅。买肉先付钱，只要这么多。买茶、送礼的，要强调自己喝。亲戚朋友，请客聚会，没人通知，你就装作不知道，更不要去打听。
不难听出，基础版中出现了“···小店才是 ｜ 师傅买肉···”此类出现不合逻辑的停顿，且在文本转化时无法通过“插入停顿来”来改变默认存在的停顿，一般看来只能通过复杂的剪辑工作消除停顿。无疑带来了巨大工作量。再来听听流畅版的效果。而在流畅版中，断句与节奏把控更加符合场景逻辑，正确输出文本信息。
★ 更加普适的使用场景：
基础版的声音克隆，对场景需求可能比较“严苛”，适合于类似“新闻播报”等标准的发声场景。在需要表达复杂情感或细微语调变化的场景中，基础版的表现往往不尽人意，无法准确传达文本中的情感色彩（如方言对话，以及情感色彩强烈的情景）影响了整体的听感体验。针对这一问题，团队在流畅版中进行了优化，使得流畅版能够满足不同的环境氛围下的声音需求：
例 你知道冬天吃对沙糖桔，对静脉曲张有多友好吗？家里吃剩下的大葱，你不要丢，它就是静脉曲张的劲敌。每天二两花生米，静脉曲张不找你。香蕉加苦瓜，静脉曲张回老家。黄豆加啤酒，静脉曲张说要走。
这是一段略带地区方言特点的语音，基础版与流畅版的差距更加明显。基础版在“知道”一次出现“吞音”现象，而流畅版清晰度则更高。且基础版在断句上识别错误（“你知道 ｜ 冬天吃对 ｜ 砂糖橘 ｜ 对静脉曲张 ｜ 有多友好吗？”识别为：“你知道冬天吃 ｜ 对砂糖橘对 ｜ 静脉曲张 ｜ 有多友好吗？”）。由此看出，面对大量具有情感或是方言特色的语音生成任务，流畅版具有更强的泛用性。
例: 属兔的你要做好准备，好事和喜事啊，会一件接一件的到你家。这个时候啊，我要提醒你，收纳住自己，按捺住自己，别得瑟，祝你开心。
在这段文字中，基础版和流畅版对“得瑟”一次发音不同。得瑟是汉语方言词语，拼音是 dè se。基础版发音为汉字标准发音 dé se，而流畅版可以根据语音信息匹配合适的方言特点，准确发出方言的读法。而且整体看来流畅版断句以及节奏把控更加干脆果断，流畅版稍显“浑浊”。
综上所述，流畅版在语音质量上的优势明显，能够提供更加自然、清晰和流畅的语音输出，而基础版则在这些方面存在稍许的不足。说一千道一万，不如直接来飞影数字人声音克隆频道，亲身上手体验下吧！