花三分钟克隆了自己的声音
ElevenLabs的官网是elevenlabs.io。注册之后，我录了一段大约三分钟的样本，内容是一段新闻稿加一段日常对话。上传之后等了不到十分钟，系统生成了一个我的声音模型。
然后我输入了一段我从来没说过的话，点击生成。播放出来的那一刻有点恍惚，那就是我的声音，语气、停顿、尾音的处理，几乎听不出区别。我拿给同事听，他问我什么时候录的这段话。我说这是AI生成的，他不信。
这就是ElevenLabs在做的事。它不是简单的“文字转语音”，它是把一个人的声音特征提取出来，然后让这个声音说任何话。三分钟样本，十分钟等待，一个能替你说话的数字声音就成型了。
ElevenLabs到底是怎么做的
ElevenLabs的核心是声音克隆技术。它分两个层次：Instant Voice Cloning和Professional Voice Cloning。
Instant Voice Cloning用几十秒到几分钟的样本就能生成一个可用的声音模型，适合快速测试和个人使用。Professional Voice Cloning需要至少30分钟的录音素材，训练时间更长，但生成的声音在情感表达和细节还原上更接近真人。官方建议用专业录音设备，在安静环境下录制。
除了克隆特定人的声音，ElevenLabs还有一个Voice Library，里面有大量预设声音可以直接调用，覆盖不同性别、年龄、口音和语言。你不需要自己录样本，选一个现成的就能用。
多语言支持是ElevenLabs另一个强项。它支持29种语言，包括中文。实际测试中，中文生成的语音自然度在同类工具里属于第一梯队，但偶尔会有轻微的“播音腔”，不如真人对话那么松弛。输入文本时加上一些口语化的表达，能明显改善这个问题。
ElevenLabs价格：免费档很少，付费档不便宜
ElevenLabs的免费版每月给10000个字符，大约相当于10分钟左右的语音。这个量级只够试听效果，做不了正经项目。
Starter档每月5美元，给30000个字符，可以商用，但不能用Professional Voice Cloning。Creator档每月22美元，给100000个字符，开放Professional Voice Cloning，支持高质量音频导出。Pro档每月99美元，给500000个字符，适合团队使用。再往上还有Scale和Business档，价格更高，面向企业级需求。
和同类工具比，ElevenLabs的价格偏高。PlayHT和Murf的入门档都在每月20美元以内，给的字符量也不比ElevenLabs少。ElevenLabs贵在声音质量和克隆精度，如果你对声音自然度要求极高，这个溢价值得付；如果只是做简单的配音，有更便宜的选择。
中文效果到底行不行
ElevenLabs的中文能力是很多国内用户关心的点。实际测试下来，结论是：能用，但有条件。
标准的新闻播报、产品介绍、有声书朗读，ElevenLabs的中文表现相当好，断句和重音处理得比较自然。但如果你让它生成日常对话，尤其是带情绪的口语表达，它会偶尔出现语调偏平的问题，听起来像在念稿。
一个实用的技巧是在文本里加入语气标注。比如在需要停顿的地方加逗号或省略号，在需要重读的词前后加引号，或者在句子里混入一些“嗯”“那个”之类的口语词。ElevenLabs对这类标记的响应比较好，调整后输出质量会有明显提升。
另外，ElevenLabs的中文声音库不如英文丰富。预设的中文声音数量有限，如果你想要特定风格的中文声音，可能需要自己克隆或者从Voice Library里慢慢挑。
声音克隆的真实风险
ElevenLabs的技术能力很强，但它带来的风险同样真实。
2024年美国大选期间，有人用AI克隆了拜登的声音，自动拨打电话劝阻选民投票。新罕布什尔州随后展开了调查。ElevenLabs后来暂停了涉事账号，但事件本身已经说明问题。
更早之前，有诈骗者用ElevenLabs克隆了一家公司的CEO声音，打电话给员工要求转账。员工听到“老板”的声音，没有怀疑，把钱转了出去。
ElevenLabs对此的应对是推出了AI Speech Classifier工具，可以检测一段音频是否由ElevenLabs生成。同时要求用户在使用声音克隆功能时进行身份验证，并明确禁止将克隆声音用于欺诈、冒充或误导。
但这些措施的实际效果有限。技术本身是中性的，怎么用取决于人。你在使用ElevenLabs克隆自己声音的时候，需要想清楚这个声音模型一旦泄露或被滥用，后果可能是什么。遍，你就知道这项技术现在到了什么程度。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
