原声克隆与多角色配音

本文介绍如何使用原视频说话人的音色进行配音（声音克隆），以及如何为不同角色分配不同的配音。

---

一、原声克隆

什么是原声克隆？

原声克隆是指：使用原始视频中说话人的音色生成目标语言的配音。例如将一段中文视频翻译为英文，生成的新英文配音听起来依然是原说话人的声音。

基本原理

1. 提取要配音的字幕数据
2. 根据字幕的起始与结束时间，从原始视频中截取对应的音频片段，作为参考音频
3. 将参考音频与翻译后的目标字幕文本一并发送给支持声音克隆的 TTS 引擎

支持音色克隆的渠道

渠道	本地/在线	支持语言	推荐度
OmniVoice-TTS	本地API	所有语言	⭐⭐⭐ 推荐
Qwen-TTS	本地内置	中英日韩等10+种	⭐⭐⭐ 推荐
GPT-SoVITS	本地API	中英日韩	⭐⭐⭐ 推荐
Confucius-TTS	本地API	14种语言	⭐⭐⭐
F5-TTS	本地API	中英	⭐⭐⭐ 推荐
Index-TTS	本地API	中英	⭐⭐⭐ 推荐
VoxCPM-TTS	本地API	10+种语言	⭐⭐⭐ 推荐
ChatterBox	本地内置	10+种语言	⭐⭐ 推荐
CosyVoice	本地API	中英日韩等10+种	⭐⭐
Spark-TTS	本地API	英语	⭐⭐
Dia-TTS	本地API	英语	⭐⭐

最佳克隆配置

为获得最佳克隆效果，请在主界面和高级选项中进行如下配置：

1. 禁止使用「LLM重新断句」 — 重新划分时间轴会导致截取的参考音频与说话时间错位
2. 强制控制字幕时长：
   • 进入 菜单 -> 工具 -> 高级选项 -> 语音识别参数
   • 最长语音持续秒数：6-10
   • 最短语音持续毫秒：3000-4000
   • 勾选「合并过短字幕到邻近」
3. 翻译渠道：使用 DeepSeek 或 OpenAI 等大模型，勾选「发送完整字幕」
4. 人声背景分离：点击主界面「设置更多参数」，勾选「分离人声背景声」，大幅提升克隆音质
5. 语音识别：
   • 中文：豆包语音大模型极速版 / Qwen-ASR(本地)
   • 英文：faster-whisper(本地) + large-v3 模型

使用本地参考音频

有时您可能不希望克隆原始视频中的音色，而是使用某个本地音频里的音色。

步骤：

1. 准备一段 5-10 秒的 WAV 格式音频，确保：

   • 清晰准确的单一人声
   • 没有背景噪声
   • 开头结尾没有多余静音

2. 将音频复制到软件目录下的 f5-tts 文件夹

3. 打开 菜单 -> TTS 设置 -> 设置参考音频，填写：

   myaudio1.wav#你说四大皆空，却为何紧闭双眼

   （格式：文件名.wav#音频中的说话文本）

4. 保存后，在主界面配音角色下拉框中选择 myaudio1.wav

注意：GPT-SoVITS 的参考音频需要放在 GPT-SoVITS 软件的根目录下，而不是 f5-tts 文件夹内。

---

二、多角色配音

功能说明

多角色配音允许您为视频中的不同说话人分配不同的 AI 配音角色。例如：

• 男性角色使用男声配音
• 女性角色使用女声配音
• 不同角色使用不同音色

使用方法

1. 在主界面选择配音渠道
2. 语音识别时选中「识别说话人」
3. 翻译完成后，在弹出的说话人角色分配窗口中，为每个说话人选择不同的配音角色
4. 点击「确定」继续处理

---