AI 配音、声音克隆与 AI 作曲

做一条短视频，画面剪好了，却卡在配音上：自己录吧，普通话不够标准，一句话录了十遍；请人配吧，预算又不够。现在很多人的做法是：把文案粘进 AI 配音工具，挑一个音色，几十秒后，一条字正腔圆的旁白就生成了。再让 AI 作一段背景音乐，一条视频的声音部分就齐了。

可同样的技术，也能被骗子拿去模仿你家人的声音打电话借钱。这一节讲清三件事：AI 是怎么「说话」和「作曲」的；怎么把它用好；以及在声音克隆这件事上，哪些线绝对不能碰，怎么保护自己和家人。

AI 是怎么「说话」的

语音合成（TTS，Text to Speech，即「文字转语音」）大致要过三关：

读懂文字。 先把文字转成「该怎么念」：多音字念哪个音（「银行」的「行」和「行走」的「行」）、数字怎么读（「2025 年」读作「二零二五年」，「2025 元」却要读作「两千零二十五元」）、哪里该停顿、哪个词要重读。
设计声音的样子。 模型根据这些信息，预测声音在每一小段时间里的高低和强弱分布，相当于画出一张「声音的设计图」。
把设计图变成声音。 再由一个专门的模块（常叫「声码器」）把设计图还原成能播放的声音波形。

近几年的新方法更像大语言模型：先把声音切成一个个离散的「声音片段编码」，再像预测下一个字一样，预测下一个声音片段。这让 AI 的语气、停顿和情绪自然了很多，有的还能带出呼吸声和笑声。

声音克隆就是在这个基础上实现的：让模型听一段某人的录音，它提取出这个人的音色、语速、口音等特征，之后就能用这个声音念任意文字。新一代技术只需要一小段清晰的录音，短的甚至只要几秒，就能模仿得相当像——这正是它既好用又危险的原因。

用好 AI 配音：写给「耳朵」的稿子

AI 配音的效果，一半取决于音色，另一半取决于稿子。给眼睛看的文字和给耳朵听的文字很不一样：

错误示范	问题	正确示范
本品采用 3D 环绕+ANC 降噪，续航达 30H	符号和缩写可能被乱读	这款耳机有立体环绕声和主动降噪，充一次电能用三十个小时
一句话五十多个字中间一个标点都没有让人听得喘不过气	长句没有停顿，节奏平淡	拆成短句，用逗号、句号控制停顿
这家银行的行长说行	多音字扎堆，容易读错	用工具的多音字标注功能，或者换一种说法

实用技巧：

用标点控制节奏。 逗号是短停顿，句号是长停顿；想强调某个词，可以在它前面加个逗号，制造一个小停顿。
数字、英文、符号写成你希望被读出来的样子。 「¥99」写成「九十九元」；「AI」如果想让它读字母就保留，想读成「人工智能」就直接写中文。
语速别太快。 短视频旁白比日常说话稍慢一点往往更清楚，可以先用正常语速试听，再微调。
音色和内容匹配。 儿童绘本用温柔的声音，科技产品用干净利落的声音，促销用热情的声音；支持情绪选项的工具，可以试试「开心」「温柔」「严肃」等不同效果。
一定要完整听一遍。 找出读错的字、别扭的停顿，只改有问题的句子重新生成。

AI 作曲：用文字描述一首歌

AI 音乐生成的原理和语音合成相通：同样是把音乐变成编码或频谱，再用类似语言模型或扩散模型的方法生成。不同的是，音乐要同时照顾旋律、和声、节奏、乐器音色和人声，还要有「主歌、副歌」这样的结构，难度更高。

写音乐提示词，和写绘画提示词一样讲究具体。可以从这几个维度入手：

维度	示例
风格流派	轻快流行、民谣、Lo-fi、电子、国风、爵士、古典钢琴
情绪	温暖、怀旧、励志、紧张、放松
速度	慢速舒缓、中速、快节奏
乐器	原声吉他、钢琴、古筝、弦乐、合成器、轻鼓点
人声	纯音乐、温柔女声、低沉男声、合唱
用途和时长	短视频背景音乐、约 30 秒、适合循环播放

错误示范： 来首好听的歌。

正确示范：

温暖治愈的原声民谣，中慢速，以原声吉他分解和弦为主，配上轻柔的钢琴和口琴，
纯音乐、无人声，情绪从平静逐渐变得明亮，
适合作为清晨咖啡店短视频的背景音乐，时长约 30 秒

需要带歌词的歌，可以先在 AI 对话里请它帮你写歌词，标好【主歌】【副歌】等段落，再交给作曲工具。注意不要直接搬用别人已经发表的歌词。

必须守住的边界：声音也是「你的一部分」

声音克隆让每个人的声音都可能被复制，所以这里的规则比 AI 绘画更严格。

1. 克隆谁的声音，都要先取得本人同意。

我国《民法典》规定，对自然人声音的保护，参照适用肖像权保护的有关规定。未经许可用 AI 模仿他人声音并加以使用，可能构成侵权，国内法院也已有相关判决。
《互联网信息服务深度合成管理规定》（2023 年 1 月 10 日起施行）要求，提供人脸、人声等生物识别信息编辑功能的服务，应当提示使用者依法告知被编辑的个人，并取得其单独同意。
可以克隆的：你自己的声音；明确同意（最好留下书面记录）的家人、同事或合作配音员的声音。不该碰的：明星、主播等公众人物，以及任何没有同意的人。

2. 不用来冒充和误导。 不用克隆的声音冒充他人说话、伪造录音证据或制造谣言。

3. 发布要标识。 按《人工智能生成合成内容标识办法》（2025 年 9 月 1 日起施行），AI 合成的音频需要添加标识，例如在开头或结尾加上语音提示；发布到平台时，也要按要求标注 AI 生成。

4. 音乐也要有版权意识。 不要让 AI 模仿某位歌手的嗓音；商用 AI 音乐前，看清工具对生成内容的授权条款。AI 生成内容的版权归属，在法律上仍在发展中，具体以权威来源和专业人士意见为准。

防诈骗：当「熟悉的声音」开口要钱

骗子只要从你的短视频、语音消息或骚扰电话里录到一小段声音，就可能把它克隆出来，再打给你的家人：「妈，我出事了，快转钱给我，别告诉爸。」如果再配上 AI 换脸的视频通话，就更难分辨。

记住这几条，也讲给家里的长辈听：

涉及转账，一律先核实。 挂断电话，用你原本保存的号码回拨本人，或者打给其他家人确认。
约定家庭暗号。 提前和家人约好一个只有你们知道的问题或词语，遇到紧急情况先对暗号。
警惕「急、密、钱」三个信号。 催得急、要求保密、要求转账，三者同时出现，大概率是诈骗。
少给骗子留素材。 不在公开平台大量发布清晰的个人长语音；陌生来电对方不说明来意时，少开口。
拿不准就求助。 在中国大陆，可以拨打全国反诈预警劝阻专线 96110 咨询；已经被骗，第一时间拨打 110 报警。

本节要点

语音合成要过三关：读懂文字、设计声音、生成波形；新方法像大语言模型一样逐段预测声音。
配音稿要写给耳朵听：短句、用标点控制停顿，数字和符号写成想被读出来的样子。
音乐提示词按风格、情绪、速度、乐器、人声、用途六个维度写具体。
克隆任何人的声音都要先取得本人同意，发布 AI 合成音频要按规定标识。
遇到「熟悉的声音」要钱，挂断后用原本保存的号码独立核实。