发布时间：2026-09-25T10:29:03.872Z
录了一段30秒普通话样本，分别丢给ElevenLabs、Fish Audio和剪映的克隆功能，从相似度、情感自然度、成本三个维度实测，结果有点意外。 做短视频最怕配音。自己录一遍遍过不了，嗓子受不了，外包一条几十块还得等。AI语音克隆这两年成熟得快，我拿自己的声音当样本试了一圈。样本很简单：用手机录了30秒，内容是念一段产品介绍，环境有点底噪，大概在30分贝左右。三款工具都喂了同一段，出来的声音让老婆盲听打分，满分10。 ElevenLabs依然是标杆。它的Instant Voice Clone功能，30秒样本就能出相似度很高的声音。我克隆出来读一段我没录过的稿子，语调起伏跟我本人几乎一致，连我那个吞字的小毛病都学过去了，老婆给打了8.5分。情感控制是它最强的地方——你可以在句子里用标签标重音和停顿，出来的效果不像机器念稿。但价格是真不便宜，Creator套餐5刀/月只有30分钟额度，重度用得上Pro 22刀每月100分钟。国内访问要折腾，偶尔还抽风，有次上传样本等了十分钟没反应。 Fish Audio是国内团队做的，今年突然冒头。它的中文发音比ElevenLabs自然，毕竟是中文语料训练的。我那段样本喂进去，出来的声音在咬字上更像真人主播，没有ElevenLabs偶尔那种英式腔调的尾音，老婆给打了8分。免费额度有30万字符，大概够做二三十条短视频，超出后0.2元每千字符。界面全中文，上传样本和生成都不卡，速度大概每条30秒的音频10秒出。缺点是情感控制不如ElevenLabs精细，长句的断句偶尔不合理，得手动标停顿。有一次它把一个问句读成了陈述句，我加了逗号才改过来。 剪映的克隆功能藏在文本朗读里，叫"克隆我的声音"。最大优势是免费——你在剪映里剪视频，克隆完直接用，不用跳平台。但效果嘛，相似度大概70分，老婆只给打了6分，听感上明显是合成音，气息感弱，像隔着一层塑料。它适合那种不需要高相似度的口播模板，真要做个人IP配音差点意思。克隆过程要读10段指定文字，花5分钟，比前两个门槛高，但胜在不要钱。 我的用法是：日常批量短视频用Fish Audio，性价比高；做精品内容、需要情感表达的用ElevenLabs；剪映那个就当备用，应急用。克隆的时候记得样本要干净，别在马路边录，底噪大的话三款都会跑偏，我第二次试在车里录的样本，出来的声音多了低频嗡鸣。