有个博主最近找了一圈能念长稿子的配音工具。他说,大多数工具开头几秒都很惊艳,越往后念,语气越飘。最后他选了 Cartesia:十秒钟录音就能克隆他的声音,给到六十秒,口音更像。他让克隆出来的自己念完了一整份教程脚本,结论是:听起来比我本人还真。
念长稿子会走样,这事我信。我们前阵子给一个古道视频配旁白,试过把整篇稿子一次交给一个免费的语音模型,让它在段落之间停一下,好切开来对画面。它没停,一口气念到了底。最后只好一段一段地配,再后来干脆交给人在剪映里配。
所以「长稿子不走样」确实值得夸。不过翻 Cartesia 自己的文档,有几句话推文里没提。
第一句:十秒够起步,最多用到六十秒,是为了更好地留住口音;这六十秒只对 Sonic 3.6 及以后的模型有效,旧模型只听你前十秒。
第二句:口音少见的、角色嗓音的,想保住那些细节,得用专业克隆,那个要同一个人三十分钟以上的录音。
第三句我最喜欢:克隆会学到你录音时的情绪。你录的时候高高兴兴,它以后说什么都高高兴兴。所以,用你希望它一直保持的那种情绪去录。
还有一件在价格页上:免费档每月两万点,但不能克隆声音,也不能商用。十秒克隆,要从每月五美元的 Pro 档开始。
*
《口技》里写,京中有个善口技的,宴会上坐在屏风后面,只有一桌、一椅、一扇、一抚尺。他从一家人睡下演起,狗叫、孩子哭、失火、救火,满座宾客吓得变了脸色,差点起身逃走。忽然抚尺一拍,群响毕绝。撤开屏风一看:一个人,一张桌,一把椅,一把扇,一块抚尺而已。
那位艺人厉害在,什么情绪都能演,演完了还是他自己。
克隆的声音正好反过来。它只有那十秒,或者六十秒。那一小段录音里你是什么心情,它就带着那个心情,替你把以后的话都说完:生日祝福、道歉、告别,都是同一种高兴。
前几天写 Voicebox,说的是克隆别人的声音之前,先问一句人家同意没有。这回是自己的声音,同意是现成的。
剩下要想的只有一件:录那十秒的时候,你想让它一辈子带着什么心情。