工具分享 · 第 1 期
做短视频口播、有声书解说，常常卡在配音这一环：自己录状态不稳，找人配又要额外成本。最近看到一款本地 AI 配音工具，上传一段音频或自己录制的声音，就能生成文案配音；据演示，目前无需开通会员、可免费使用。
01 它能做什么
从演示流程看，这款工具围绕「建音色—配文案—出音频」展开，核心能力包括：
声音克隆：上传一段 10~20 秒的音频，克隆出对应的音色；
设计音色：用一句描述生成一个独一无二的新声音；
麦克风录制：现场录一段声音，直接创建音色；
多角色配音：为不同角色分配不同音色，适合小说、对话类内容；
读音可修正：生成后选中文字，即可调整某个字的读法；
语速、情感可调节，另有转写功能，可把录音、视频转成文字并导出字幕。
首次启动软件会提示下载基础模型。演示中包含两个体积最小的模型：Qwen3-TTS 0.6B Base·Q8（配音、克隆音色，约 2.0GB）和 Qwen3-ASR 0.6B·Q8（转写、自动识别参考文本，约 1.2GB）。如果不想把模型放在 C 盘，可以先更改保存路径再下载；下载源支持 Hugging Face 与 ModelScope。
图1：首次打开时的基础模型下载弹窗（产品界面，据演示视频整理）
03 在音色库创建音色
模型下载完成后，进入左侧「音色库」，选择新建音色的方式：克隆音色（选一段 10~20 秒音频）、设计音色（用一句描述生成声音），或用麦克风录制（现场录 10~20 秒）。
图2：音色库提供三种创建音色的方式（产品界面，据演示视频整理）
04 上传音频，克隆音色
以克隆为例：选择一段音频文件，也可以直接拖进来，进入向导第一步「准备声音」。点下一步后，软件会自动识别这段声音里的文字；如果识别有误，可以自行修正。接着为音色命名，确认保存即可在音色库看到新音色。
图3：新建音色向导——选音频、核对文字、确认保存（产品界面，据演示视频整理）
挑选克隆素材时，有几点建议：
选只有一个人说话、没有背景音乐的片段；
10~20 秒最佳，最长不超过 30 秒；
WAV、MP3、M4A 等常见格式均可；
参考文本要和录音一字不差，多字、漏字、错字都会让克隆结果走样。
保存后，新音色会出现在音色库中。详情页可以查看参考音频与参考文本，并在「试听一句」里输入文字、选择模型，先听效果再正式配音。
图4：音色详情页，可查看参考音频并试听一句（产品界面，据演示视频整理）
回到配音界面，选中刚创建的音色，输入要念的文案，调节语速与情感后点生成即可；写一句话后按 Ctrl + Enter 也可以直接生成。如果生成出来的读音不对，或者某个字想按特定读法念，选中对应文字手动修改读音，再重新生成即可。
图5：配音界面，选择音色、模型、语速与情感后生成（产品界面，据演示视频整理）
06 多角色配音
需要多人对话或小说分角色配音时，可以添加多个角色、分别分配不同音色，在同一条配音里切换角色，完成后直接导出音频。
图6：为不同角色分别选择音色（产品界面，据演示视频整理）
07 使用前请注意合规
声音克隆涉及声音权益，需要特别注意：只克隆自己的声音或已获得授权的声音，不制作违法内容；对外发布时，请主动标明内容由 AI 生成。
除了演示到的克隆、配音和多角色功能，软件里还有更多细节可以自行摸索。软件获取方式在文章末尾的公众号里面
热门跟贴