|
之前我不是做 B 站嗎？錄視頻解說的時候真的挺麻煩，老是讀錯字，還費(fèi)時間。 所以我一直對語音克隆工具關(guān)注有加，最近又發(fā)現(xiàn)一個新升級的克隆利器，讓它幫我念臺詞，大家聽聽效果怎么樣？  我去，我自己聽了都愣住了。也太像了吧。。。 我讓媳婦聽了之后，一開始她還真沒聽出來，不僅音色一致，語調(diào)有抑揚(yáng)頓挫，停頓也都非常自然。 再對比一下原視頻解說聲音，怎么樣，這個 AI 幫忙念的解說詞和原聲相比，也許最大的差別就是沒有背景音樂了吧。 AI 克隆了我的聲音后，還能用來說粵語、英語。生成的其它方言和語言不僅完全保持了原有的音色，說的也非常自然、流暢。 比之前體驗(yàn)過的，包括目前市面不少聲音克隆 AI 工具效果不要好太多。 好了，該引出正主了，我用的是 MiniMax Audio 剛上新的 Speech-02 模型克隆的。  說起來 MiniMax，也是國內(nèi) AI 六小龍之一的實(shí)力選手。海螺 AI 就是 MiniMax 公司的產(chǎn)品之一。 不過這次國內(nèi)版的 Speech-02 模型還沒有上線，也不支持聲音克隆，所以大家只能先用海外版了，官網(wǎng)「需魔法」： https://www./audio 內(nèi)置語音庫、克隆聲音快 MiniMax Audio 內(nèi)置了豐富的語音庫，差不多有 300 多種，各種語言和各種年齡、風(fēng)格的都有，質(zhì)量非常高，都可以直接拿來用。 這么多，都夠給一部電視劇所有演員配音了吧。 英文咱就不聽了，聽幾個中文的。  如果需要克隆新的聲音，就要點(diǎn)擊「Create your Voice Clone」，也就是創(chuàng)建克隆聲音。  然后上傳一段音頻或者自己錄音。至少 10 秒以上吧，也不需要太長，一二十 秒就差不多了。 如果上傳的聲音有背景音樂，這肯定會影響克隆聲音效果的。 而 MiniMax Audio 還支持上傳聲音的同時去除背景音，勾選那個「去除背景音」就行。 這點(diǎn)真的很贊，不然還得另外找工具把背景音樂和人聲分離。 最后選擇需要生成的語音種類，再點(diǎn)擊「Convert」就開始克隆了。  我從點(diǎn)擊開始到生成克隆的聲音真的快，大概也就 10 秒時間。 真的挺快！不禁感嘆，語音克隆這個玩法現(xiàn)在是真的有手就會，完全是 0 門檻了。 支持生成 30多種語言，可調(diào)節(jié)音色 這還只是第一步，聲音克隆之后，它會存到語音庫。 如果想要克隆出的聲音說出其他話，還得再輸入文本，然后在語音庫里選擇剛才克隆的聲音就可以了。  在文本生成聲音的時候，還可以對生成的聲音效果進(jìn)行調(diào)節(jié)，比如速度、音量等等。  什么帶情緒的也可以，比如高興、悲傷、生氣等等。  在左下角生成語言選項(xiàng)那里，可以看到，它除了可以生成中文普通話外，還能生成粵語方言以及英語、日語等 30 多種語言。  而且不管你克隆的聲音說什么語言的，都能生成其它不同的語言。 所以在生成的時候有兩個模型可供選擇：Speech-02-hd、Speech-02-turbo。 這兩個有什么區(qū)別呢? Speech-02-hd 主要是用在聲音克隆方面，生成一些小語種聲音的話，建議使用 Speech-02-turbo。  生成不同的語言時注意不要選錯。 我用它克隆了幾個大家都算比較熟悉的聲音，然后再和原聲對比，大家就更能體驗(yàn)到 MiniMax Audio 的聲音克隆能力有多強(qiáng)了！ 第一組：董卿聲音 第二組：王明軍朗讀《三體》 第三組：步非煙聲音 怎么樣，這一番對比下來，有沒有一種那根本不是 AI 克隆的聲音，它就是原聲的感覺？ 因?yàn)閷?shí)在是太像了，甚至都基本一模一樣了。 PDF 、網(wǎng)頁鏈接轉(zhuǎn)語音 MiniMax 除了支持文字轉(zhuǎn)語音之外，還可以支持 PDF 文檔和網(wǎng)頁鏈接直接轉(zhuǎn)語音。 得，又給我們省了一步操作。。。 現(xiàn)在公眾號不是支持聽文章了嘛？是方便不少，你看也有小伙伴在用這個功能，但我老覺得它聽起來比較生硬。 那我就把這篇文章的鏈接放進(jìn)去。 大家再聽下，是不是比公眾號自帶的朗讀效果要好多了，雖然說情感缺乏一些起伏，但是音色是真的像，這是真的得服。 你要知道，這僅用了 10 秒的語料，僅花了 10 秒就能達(dá)到的效果。 同時我也發(fā)現(xiàn)，雖然它識別網(wǎng)頁鏈接后的文字有空行，但它生成語音的時候會智能忽略掉，也就是中間不會因?yàn)橛锌招卸ｎD那么長時間。 另外，它還支持長文本模式，最高可輸入 20 萬字符。 這差不多是一本有聲書的體量了，當(dāng)然這么多的字符必須得另外「加錢」了。 目前的話，普通用戶每天登錄可免費(fèi)領(lǐng) 4000 積分，可支持能夠制作出 5 分鐘的音頻，如果只是淺玩體驗(yàn)一下，也差不多夠了。 結(jié)語 體驗(yàn)了 MiniMax Audio 的 Speech-02 模型后，不得不說又把語音克隆又往前推上了新高度。 無論是聲音克隆的精準(zhǔn)度、多語言支持的廣泛性，還是生成語音的自然流暢度，都遠(yuǎn)超市面上大多數(shù)同類產(chǎn)品。 最關(guān)鍵的是，0 門檻就能做出這種效果，要知道之前還都得用 GPT-SoVITS 這種開源工具手搓出來，現(xiàn)在直接全省了。。。 目前到這個階段，在音色克隆這方面，大家基本上已經(jīng)卷得差不多了。 再往下的新的突破點(diǎn)，那大概就是大模型根據(jù)文本包含的語義來自行調(diào)整語音情感和腔調(diào)了，到了那個時候，可能我們就真的無法再分辨真人和 AI 的語音了。
|
|
|
