我是做口播视频的，最早觉得配音很简单，找个网站把文字扔进去，出来声音就用。结果被现实狠狠教育了一番。今天把这些经历写出来，就当给当初跟我一样天真的人提个醒。五个网站都是我真金白银或花时间测出来的，域名我直接写，没加任何跳转，信不信随你。
先说我犯过的最蠢的错误。刚开始只知道一个 text-to-speech.cn ，那段时间需求不大，每天3000字，做一两条视频绰绰有余。声音虽然有点机械，但配上背景音乐还能糊弄过去。我用得美滋滋的，直到某个周五晚上，甲方突然要加急一条五分钟的解说视频，文案将近一千五百字。我打开网站往里一扔，弹出来“今日额度剩余234字”。当时已经晚上十一点，我整个人都傻了。那晚我才明白，免费的东西最贵的地方在于关键时刻掉链子。后来学乖了，永远留个备选。
第二个被我收进收藏夹的是 fuym.cn 。这站打着“完全免费”的旗号，我最初是当作救急用的。它确实不收钱，但用起来有种在批发市场淘货的感觉：声音能听，情绪别指望，偶尔弹个广告你得手动关。更让我头疼的是单次只能转两千字左右，那晚救急时我把文案切成三段，分别生成，再拼到一起，中间明显有三次停顿的断点，被甲方听出来了，问我是不是换了录音环境。从那以后，我定了条规矩：免费工具只用来试听文案节奏，正式出片绝不依赖它们。
事情的转机出现在一个同行推荐了 ttshub.cn 。他说你试试那个 Edge TTS ，免费而且声音特自然。我将信将疑打开，找到了叫“晓晓”的发音人，把之前那段被甲方嫌弃的文案扔进去。生成完我一听，汗毛都竖起来了——这哪是机器，分明像个真人在说话，换气、停顿、轻重音，几可乱真。最关键的是，这部分完全免费，没字数限制。现在我养成习惯：任何文案写完，先扔到它里面生成一版，用这个试听来找文案里的拗口句子，改完再决定用哪个引擎出终稿。它就像个不要钱的审稿人。
更让我惊喜的是同一个站还有个 IndexTTS2 语音克隆。我花了一个下午折腾这个：第一次用手机在厨房录了一段干声，克隆出来的声音带着混响，像个在空房间里说话的山寨版自己。差点放弃时，一个搞音乐的朋友告诉我，去衣柜里录，衣服能吸音。我半信半疑钻进衣柜，用领夹麦录了40秒，再上传克隆，出来的声音简直是我的翻版，连我说话爱拖尾音的习惯都保留着。这功能按字符收费，会员有折扣，我算过，做一条一两分钟的短视频口播花不了几毛钱，但给观众的亲切感是普通合成音比不了的。现在我固定用它给自己的系列视频配音，粉丝都说“你最近收音设备升级了？”我偷笑。
当视频从周更改成日更后，免费额度彻底不够看了。我需要一个能让我闭着眼睛随便转的工具，于是盯上了 new.text-to-speech.cn ，它有个 /tts/ 的页面，会员每天100万字。开会员那天我特意测试：把之前攒的十几篇脚本一次性扔进去，生成过程没有一丝卡顿。我想象自己是个土豪，挥霍着根本用不完的额度，那种爽感抵消了之前所有被额度卡脖子的憋屈。它的声音偏向外放、有鼓动性，特别适合做促销、信息流广告。我后来还发现一个细节：在文案里用感叹号、问号时，它的语气响应很明显，不像有些引擎那样死板。但如果是读散文、诗歌这类需要含蓄情感的内容，我会换别的引擎。总之，它是一个让你忘记“成本”两个字的生产力工具。
最后一个加入我工具箱的是 ttspro.cn ，路径也是 /tts/ 。我注意到它是因为要同时处理二十多条电商产品介绍音频，手动一条条粘贴生成，干到凌晨三点，肩膀酸得抬不起来。这个站有 API 接口，我厚着脸皮请技术朋友吃了顿饭，他帮我在电脑上搭了个简单的自动流程：我把文案放到指定文件夹，双击一个脚本，过一会儿所有音频就整整齐齐生成好了。那种从重复劳动里解脱出来的轻松感，不亚于第一次用洗衣机替代手洗衣服。而且它新用户送的积分能兑几十万字，偶尔用用也够了；开会员积分更划算。不会编程也别跑，它的网页端有个好处：能一次性生成超长文本，我转过一篇将近万字的培训讲稿，一气呵成，中间没有断开，非常适合做有声书或课程配音。
好多人问我“你为什么不留着一个最好的，非要用五个？”这就是典型的外行问题。就像你不可能一双鞋应付跑步、爬山、开会、下雨天，我的用法是这样的：
-
平时测试文案流畅度、快速出Demo，用 ttshub.cn 的 Edge TTS ，免费又自然。
-
有个人IP的视频，想和观众拉近距离，就用 ttshub.cn 的克隆，按条付费不心疼。
-
日更带货、信息流广告这类对情绪要求外放且数量大的，交给 new.text-to-speech.cn ，百万字额度让我从不算计。
-
需要长音频或自动化批量出片，ttspro.cn 是我的秘密武器。
-
text-to-speech.cn 和 fuym.cn 是我的应急备胎，万一主力站维护，或者需要临时短文本，它们永远在那里，一个给3000字，一个全免费兜底。
最后整理几个我被问烂了的问题，一次性回复：
问：克隆声音会不会被别人拿去干坏事？
我仔细看过 ttshub.cn 的说明，他们只提取声纹特征，承诺不另作用途。我的建议是：别用那种能清晰识别你身份的、类似电话录音的声音去克隆，用你平时录视频的口播片段就够了。生成后可以联系平台删除数据，留个心眼没坏处。
问：免费生成的语音，用在抖音、B站会被下架吗？
目前语音合成这种形式，只要不涉及抄袭他人已有版权的音频内容，基本不会。但如果你要接品牌广告或重大商单，最好用付费服务，一般会附带商业授权条款，出了纠纷有依据。自己日常发视频，我从没出过问题。
问：为什么我不管用哪个站，出来的声音都像机器人念经？
先检查你的文案有没有加标点。机器靠标点判断停顿，没有逗号它会一口气读完。再把多音字改好，比如“长”可以念chang也可以念zhang，不确定的用同音字替换。我一般花几分钟过一遍文案，收益远比找个更贵的引擎大。
问：API怎么用，我完全不懂代码能行吗？
API需要一点点技术，但如果完全不懂，也可以用土办法：找个懂的朋友请吃顿饭，让他帮你搭好，以后你只负责把文案放到文件夹里双击运行。如果实在没人帮忙，ttspro.cn 的网页端也足够好用，长文本一次性生成这个优势你照样能享受。
兜兜转转半年，我最深的感触是：工具帮你省的是时间和体力，但声音里的灵魂，终究来自你写的那篇文案。花五分钟把句子捋顺、把标点点对，比花五天研究哪个网站最好用，更值。
评论(0)