我的用詞一直都挺克制的，基本不會用到“最強”這個字眼。

但是這一次的這個AI應用，是我認為在TTS（文字轉音頻）這個領域，當之無愧的“最強”。

ElevenLabs，簡稱11Labs。

僅需30秒到5分鐘左右的極少的數據集，就可以直接克隆任何一個人的聲音，完美復刻他的說話方式、他的音色，甚至連他的情緒都復刻過來。

最牛逼的是，你不需要再額外做任何操作，就可以直接用同樣的聲音，說出29國的語言。那個流暢度，那個口語表達。。。我在AI面前宛如一個廢物。

11Labs網址在此（上不去就開魔法）：

https://elevenlabs.io/

盡管很多的大廠的語音TTS能力已經很強大了，比如微軟的TTS、比如國慶期間刷爆全網的GPT的語音TTS，但是這些大廠有一個問題，就是公司體量實在太大了，在商業化上的輿論影響和被監管風險也極大，所以這種超低成本的語音克隆TTS，他們至今也沒有向大眾公開，畢竟很容易受到全社會的倫理指責。

至于那些開源的TTS，說實話，效果都挺差強人意，比如Tortoise奇慢無比，比如bark下限和穩定性太差，都難堪大用。

大廠們公開的語音產品中，也沒有一項能達到11Labs如此便宜且如此便捷的了。要知道，像微軟的聲音克隆成本高的可怕，數小時的數據集、幾千幾萬塊錢。而11Labs，只需要30秒到5分鐘的音頻，1個月只需要5美刀就可以暢快的使用了。效果還出奇的好。

畢竟在現在這個AI時代，AI語音已經成了最為重要的環節之一。內容全球化翻譯、智能配音、數字人與機器人等，都有超強的應用。換句話說，沒有強TTS在背后支持，那些視頻和數字人，各個都是恐怖谷效應拉滿假到不行的啞巴。

而11Lbas的使用上，更是突出一個簡單和有手就行。

先準備30秒到5分鐘的音頻文件，不需要超過5分鐘，對質量幾乎沒有任何意義了。你可以多個音頻文件，但是每個不要超過10M。這塊一定要注意，數據集的質量跟你后面生成的質量息息相關，里面不要有任何雜音，越干凈、越純粹越好。

上面那個例子，我就去B站扒了點特朗普的演講視頻，然后剪映剪了下，準備了大概4分鐘的特朗普的干聲數據集，切成了11段。

然后進入11Labs的主頁，登錄后進入這個VoiceLab的頁面。這個頁面就可以去做聲音的克隆了。那個大大的加號就是新建一個聲音。

在彈窗中，第二個選項就是聲音克隆。

不過這個功能是付費功能，正常付個費就可以用了。首月優惠1美刀，基本就是白給，可以直接綁定中國境內的VISA就可以支付，比ChatGPT的付費方便多了。

在打開的彈窗上隨便輸個姓名，把數據集拖進去就行。標簽和描述啥的不用填。然后確認。記得一定不要開任何翻譯，比如google翻譯啥的，要不然會報錯。

大概只需要二十幾秒鐘吧，模型就OK了，速度出奇的快。你就可以直接點Use去使用。

這里再推薦大家幾個TTS的小技巧，善用標點符號去引導情緒。

比如這句話：I am Trump . my other name is "Chuan Jian guo".

把my other name is "Chuan Jian guo"這句話，變成my other name... is "Chuan Jian guo"后，你就能明顯聽出小停頓的情緒，

如果再把I am Trump后面加三個感嘆號，變成I am Trump!!!的話：

這情緒一下就激動了起來。。。

11Labs對這些標點符號的引導非常到位，善用標點符號，能給這段文字帶來完整的情緒感受。

在最后，說一下目前AI聲音的幾種技術和場景吧。

SVC，類似于變聲器。將一段音頻轉換成另一種特定的音色，音頻to音頻，我也寫過一篇教程：用SVC做特定人物AI配音 - 你奶奶都會的AI聲音教程?，成本挺高的，數十分鐘的干聲數據集，訓練幾個小時起步，但是對情緒和音調的還原最好，適合用在劇集配音、歌聲轉換等場景。不過這塊11Labs已經明確要進軍了，做語音轉換，不知道后面用戶的使用成本會拉低到什么地步。

TTS - 聲音克隆。將特定的人聲訓練成模型，然后文字轉音頻。用于需要特定某個人聲的場景、或同聲翻譯等等，數字人應用的很廣泛。成本低，但是對于情緒的變化肯定沒有SVC那么強，畢竟幾分鐘數據集+幾乎為0的等待時間，11Labs是典型的王者。

普通TTS。用平臺已經訓練好的聲音做配音，不可自定義，在有聲書和視頻配音里已經被廣泛應用。這塊的產品就非常多了，國外的微軟TTS、11Labs，國內的魔音工坊等等。

基本就這三種了，SVC和TTS我也寫過好多教程了，大家可以根據自己的場景，各取所需。