AI 语音合成已发展到几乎无法与真人区分的地步。从播客配音到有声书制作，从视频旁白到多语言内容本地化，AI 语音工具正在替代传统配音。本指南覆盖主流工具和最佳实践。
ElevenLabs 是目前语音合成质量最高的平台。只需上传 1 分钟的高质量录音，即可克隆任何人的声音（需获得许可）。内置音色库有数百个预训练声音可选，中文推荐「谷雨」「晚晚」等音色。控制面板中，Stability 参数控制语音的稳定性（值越高越稳定但缺乏变化），Clarity 参数控制发音清晰度。
中文语音合成需要注意几点：选择专为中文优化的音色模型；语速设置为 0.9-1.1 倍更自然；在文本中适当加入标点符号控制停顿（句号长停、逗号短停）；长文本分段提交以获得稳定的语音质量。对于专业用途，建议在文本中标注读音（多音字）以确保发音准确。
ElevenLabs 提供 REST API 和 WebSocket 流式接口，可集成到自己的应用中。常见场景：(1) 有声书自动朗读；(2) 教育产品的语音讲解；(3) 视频/播客的自动配音；(4) 游戏角色的实时语音生成。API 支持 SSML 标记语言，可精确控制发音、语速、音量和语调。
除了 ElevenLabs，还有不少优秀的替代品：OpenAI TTS（集成在 ChatGPT 语音对话中）、Azure 语音服务（微软出品，中文效果好）、Fish Audio（开源方案）、RVC（实时变声）。不同工具在音质、价格、语言支持上各有侧重。建议根据预算和使用场景选择。
🎯 想做一档AI主题播客但没时间每周录音
访问ElevenLabs(elevenlabs.io)，进Voice Lab → Add Voice → Instant Voice Clone。用专业麦克风录制一段3分钟的清晰干声(安静环境、无背景噪音、正常语速)。
→ AI在2分钟内从你的3分钟录音中学习音色、语调和说话节奏，完成声音克隆
写一篇播客稿(推荐用ChatGPT写)，复制到Text to Speech。选你克隆的声音，Stability=60%, Clarity=80%。生成并试听。调整标点控制停顿(逗号短停、句号长停、……是自然拖音)。
→ AI用你的声音朗读了整篇播客稿，听起来90%像真人在说话
把生成的音频导入Audacity降噪、加背景音乐、调整音量。上传到小宇宙/Apple Podcast/喜马拉雅。播客简介写明「本节目由AI辅助录制」。
→ 一期30分钟的播客从写稿到上线1小时内完成，声音是你自己的
每期播客前用同一段「标定语」(比如一段固定的自我介绍)重新校验声音质量
🎯 中文课程要推向海外，需要英文/日文/韩文配音
用ChatGPT将中文课程讲稿翻译为目标语言。提示词：「Translate this to natural spoken English for an online course. Keep it conversational, not formal. The audience is beginners.」
→ 获得口语化、自然流畅的英文讲稿，不是生硬的机翻
在ElevenLabs中选一个目标语言的母语音色(如英文选'Adam'、日文选'Yuki')。逐段粘贴翻译稿，Stability调低到40%让语调更自然多变。
→ 每段获得自然朗读的目标语言音频
用Descript将原视频静音，导入AI配音对齐原画面节奏。添加目标语言字幕。
→ 一门中文课程自动生成英/日/韩三个版本，无需配音演员
技术术语较多的内容，在ElevenLabs中用Pronunciation Dictionary预设专业词汇的正确读音