TTS 用选定的声音把文本读出来，生成音频。早期 TTS 听起来很机械；如今的系统用数百小时真人语音训练深度神经网络，能生成自然的语调、气息与情绪。
在 VlogMe 中，您可以选用 TTS 声线、在取得声音所有者同意的前提下克隆声音，或上传录音；会说话的数字人工作流会让肖像的口型与所选音频同步。
神经网络 TTS 如何工作
系统先判断文本应该怎么读：每个词的读音、重音落在哪个音节、哪里语调上扬、哪里停顿。然后用选定的声音生成音频波形。多语言模型能用同一个声音朗读多种语言，表现力强的模型还会根据标点、强调和句意调整语气。
常见的声音有三类：
- 声音库中的声音： 由授权用于合成的配音演员录制。
- 克隆声音： 在本人同意的前提下，用一个人的一小段语音样本制作。
- 设计出的声音： 不靠录音，而是根据文字描述生成。
在 VlogMe 中使用
Audio Studio 使用 ElevenLabs 的 v3 和 Multilingual v2 模型，一次可以把最多 5,000 个字符的文字变成语音。可以从声音库里挑选，也可以用说话人同意提供的、不超过 8 MB 的干净录音克隆一个声音。费用以每 1,000 个字符为一档计算，确认前就能看到金额。由于模型支持多语言，同一个声音换一种语言，听起来仍是同一个人。
要让声音有一张脸，请在语音转数字人视频中使用它：肖像会以口型同步说出这段音轨，时长与音频相同。
限制与风险
- 人名、缩写和数字可能读错：请写成汉字或按读音改写。
- 长文本按段落生成并逐段检查，听起来更自然。
- 克隆声音只能在声音所有者同意的范围内使用，包括语言和发布场合（服务条款第 6 节）。
常见问题
TTS 和声音克隆有什么区别？
TTS 是用某个声音把文字读出来。声音克隆是根据真实人物的样本创造出这个声音本身；克隆好的声音之后和声音库里的声音一样，通过 TTS 使用。
一个声音能说哪些语言？
在 VlogMe 中，可以用同一个声音说 ElevenLabs 模型支持的各种语言。
生成后还能修改吗？
修改文字后重新生成这一段即可，每次运行前都会显示价格。Lab 中的录音也可以在 Audio Studio 中降噪或转写。
