不花API费用，我在本地跑通了声音克隆

做视频需要配音，调用商业语音API要花钱，自己录又总觉得不够自然。能不能让AI用自己的声音念稿，而且不必按量付费？

我最近在X上发现了一个开源项目VoiceStudio，主打本地运行，可以做声音克隆、语音合成、语音识别等工作。

它集成了16个TTS（文本转语音）引擎和11个ASR（自动语音识别）引擎，语言覆盖646种语言。不过，具体支持哪些语言、实际效果如何，还得看所选的模型。

主界面

我花了半天时间测试了一下。就这次的效果来看，用它给短视频配音、录制产品Demo，已经有一定实用价值。整个过程不需要调用商业语音API，适合想降低配音成本、又希望把音频留在本地的开发者。

下面与你分享一下我的安装过程和实际体验。

01 安装之后，占用多少资源？

VoiceStudio本身是一个整合项目，语音合成和识别能力主要来自它调用的模型。首次使用时，需要下载相应的模型。

我这次安装后，下载了四个模型文件，总占用约5.4GB：

这里要注意：5.4GB是我这次安装的实际占用，并不代表所有用户安装后都需要这么多空间。选择不同的引擎和模型，资源需求也会不同。

硬件方面，我使用的是Mac Studio，64GB统一内存，2TB SSD。

VoiceStudio支持Apple Silicon、NVIDIA CUDA等不同运行环境，也提供CPU推理方式。不过，能不能流畅运行、生成速度有多快，取决于具体模型、硬件和运行后端。没有独立显卡也不意味着一定跑不动，只是需要根据实际情况测试。

**还有一点需要说明：**本地运行可以省去商业语音API的调用费用，但不代表整个方案绝对零成本。模型下载需要网络，运行需要硬件资源；项目本身和各个模型的许可证也需要分别确认，尤其是计划商用时。

我先让AI帮我写了一段用于测试的台词，尽量覆盖不同的发音。然后照着念了一遍，录下参考音频。整个过程就是平时说话的状态，没有刻意调整声线。

早上八点半，我从深圳飞往北京。穿过云层时，我想起这些年的项目和朋友。人生就像旅行，重要的不是终点，而是沿途的风景。

接着，我让VoiceStudio参考我的声音，朗读了一篇400多字的口播稿。

这次生成大约花了3分钟。

听完之后，我有两个比较明显的感受。

第一，音色确实比较像。

第一次听的时候，那种熟悉感很明显。如果不刻意去分析细节，确实容易把它当成自己的声音。

第二，语气和停顿还有AI味。

整段音频的断句比较依赖标点，缺少真人说话时自然的轻重缓急。有些地方虽然没有读错，但听起来还是有点平。

这次参考音频只有50字左右，生成的内容却有400多字，两者没法逐句对照，所以我主要评价的是整体听感，而不是逐字还原的准确度。

从实际用途来看，我觉得它比较适合短视频旁白、产品Demo配音，以及一些不需要特别细腻情绪表达的场景。如果要制作长篇有声书，对语气和节奏要求更高，就还需要进一步调试，或者比较其他语音模型的效果。

另外，在我这次测试的模型和配置下，方言表现也不理想。这只是本次测试的结果，不能据此认定VoiceStudio的所有引擎都不支持方言。

除了声音克隆，VoiceStudio还有一个值得尝试的功能：声音设计。

它和声音克隆的区别在于，声音克隆是模仿已有的声音，声音设计则是根据文字描述生成一种声音。

使用声音设计时，不必先录制自己的声音样本。你可以在输入框里描述想要的声音，例如年龄感、音色、语气和表达风格，再生成对应的语音。也可以从预设音色中挑选。

这个功能让我想到一个很实际的场景。

做视频时，找配音最麻烦的有时不是预算，而是找不到自己想要的声音。希望声音沉稳一些，或者年轻、有活力一些，都可以先通过文字描述，再试听生成结果。虽然未必一次就能得到理想效果，但至少能省去一开始四处找人、反复试音的折腾。

当然，文字描述不一定一次就能得到理想的声音，实际效果仍然需要试听和调整。但对于个人创作者来说，这确实多了一种低成本的尝试方式。

这次体验下来，我觉得VoiceStudio最值得关注的地方，不是它能不能完全取代商业语音服务，而是它把声音克隆、语音合成和语音识别等能力整合到了一个本地工具里。

如果你经常制作短视频、录制产品演示，或者想把语音能力接入自己的AIAgent工作流，可以试着部署一套，看看是否符合自己的需求。

不过，如果你追求非常自然的情绪表达，或者准备将生成音频用于商业项目，就不能只看音色像不像，还需要认真评估发音、语气、稳定性以及相关模型的使用许可。

对我来说，这次测试最大的收获，是发现声音克隆已经可以在自己的电脑上跑起来了。以后做视频、录Demo，又多了一种选择，不必什么事情都依赖商业API。

至于它能不能成为日常创作工具，还得看后续实际使用的效果。

都看到这里了，请随手点赞、转发、关注一下吧！