全球首个对话式声音克隆

你过去录制过的声音克隆，大概都从同一种方式开始：屏幕上出现一段稿子，你照着念，最后得到的声音从技术上说确实是你的，却一点也不像你本人。

ListenHub 改用一场对话来克隆你的声音。不用读稿，也不用表演。

为什么照稿念永远不像你

基于稿件的克隆要求你完成一件绝大多数人都不擅长的事：毫无准备地对着麦克风演绎别人写好的话。

读错了，于是重来。声音太平，于是重来。五次之后，克隆结果仍然没有生命力——不是读得差，只是一直在“读”。它没有在说话，只是在发音。

我们不断追问，为什么只录三十秒音频也这么难做好。答案其实很明显：人一看到需要朗读的文字，就不再像自己。真正属于你的声音——节奏、呼吸、被某件事惹恼时突然抬高的音调——只会在你和别人交谈时出现。

所以在 2025 年 10 月，我们围绕这一点重做了整个流程。不是上传框，而是一场对话。

大多数产品一天就能上线这个功能：让用户录 10 到 30 秒，或者上传一个文件。我们却为它做了一整套交互式语音对话系统。当时的感觉，就像为了过马路造了一艘飞船。

之所以这么做，是因为你的声音是 ListenHub 上唯一没有其他人能够复制的东西。无论它最终主持播客、为文本转语音轨道配音，还是出现在解说视频里，后面的所有内容都会继承这个声音有多真实。经过两个月开发和一次私测，对话式克隆于 2025 年 12 月上线。据我们所知，此前还没有人这样做过。

通过交谈克隆你的声音

旧流程是：朗读、等待、失望、重来。新流程只有三步：

1. 从左侧菜单打开声音克隆。
2. 开始对话。
3. 像和老朋友打电话一样说话。抱怨午饭，计划一次根本不会去的旅行，争论某部电影。聊什么都可以。

交谈时，系统收集的不只是音节，还会捕捉你的语调、呼吸节奏，以及你不经意间表现出来的情绪范围。最后得到的是放松状态下的你，而不是站在全班面前朗读的那个你。

如果第一次克隆不像你，解决办法是再聊一次，而不是写一份更好的稿子。

开口前先做好准备

交互本身很简单，但两分钟的准备仍然决定了结果只是“能用”，还是足够出色。

使用你手上最好的麦克风

这主要是物理规律：硬件越好，信噪比越高。如果你有播客麦克风，就用它。如果只能在老旧笔记本和口袋里的新手机之间选择，就选手机——ListenHub 支持移动端。

把手机拿到脸边，可以保留声音的质感和呼吸，而两英尺外的笔记本麦克风会把这些细节丢掉。距离是最容易改善的因素。

找一个没有回声的房间

硬地板、空墙和高天花板会让反射声模糊你的声音，克隆模型也会把房间一起学进去。小而铺有地毯的房间、车里，或有柔软家具的角落，都比看起来漂亮的厨房更合适。关窗、关风扇，把狗先放到外面。

两条听起来不对、其实很有效的建议

比你觉得自然的程度再夸张一点

日常说话时，大多数人的音域都很窄。给模型的素材范围很窄，它以后说什么都会像很疲惫。

所以要主动超出平时的表达范围。像在和多年未见的朋友叙旧一样说话，真的有高低起伏。你给它的范围越宽，之后能生成的范围也越宽。夸张一点、模仿一下、玩得开心。很多人最终会惊讶自己有多喜欢结果。

即使之后要生成其他语言，也请用母语录制

这听起来完全相反，却是最能改变结果的一条建议。

假设你想生成英文旁白，但英语不是你的第一语言。如果用犹豫、谨慎的英语克隆，模型学到的正是这种犹豫、谨慎和不自信。输入听起来没有把握，输出也会一样。

请用你最流利的语言交谈。模型会捕捉音色——让你的声音成为“你的声音”的那部分——再把它应用到你之后生成的任何语言中。最后得到的是说话流利、自信的你，而这通常才是你一开始想要的版本。

你的克隆声音接下来能做什么

保存后的声音可以在整个 ListenHub 中使用。让它主持 AI 播客，通过文本转语音朗读文档，或用于解说视频。如果你更想从现成声音开始，可以浏览声音目录；我们关于书面语转口语 TTS 的文章也解释了旁白引擎如何把文字变成值得听的内容。

每个付费方案都包含声音克隆：Basic 可保存 1 个声音，Pro 可保存 4 个，Max 可保存 20 个。当前详情请查看定价页面。

你声音里最好的部分，从来不在小心翼翼的朗读里，而在那句没有预先计划的话里。