零样本语音克隆
只给一段参考音频，就能复现该说话人的音色，用来朗读新的文字内容。省去了为每个说话人单独训练模型的步骤，换人换声音的成本很低。
价格官网未标价
平台—
归类配音与音频
收录2026-10-11
复核2026-10-11
编辑评分
4.5 / 5
★★★★☆
VoiceCraft编辑总结
VoiceCraft 是一个面向语音编辑与文本转语音的开源项目，最大的特点是不需要针对目标说话人重新训练即可完成语音克隆，既能按文字改动手头已有录音的内容，也能用一段参考音频合成新语音。对做视频配音、播客剪辑、有声内容加工的人来说，它把过去要交给专业音频软件逐帧处理的活儿变成了改文字。上手需要一定的技术基础，主要面向愿意自己部署模型、动手折腾的研究者和开发者。
VoiceCraft是什么？
VoiceCraft 是一个开源的语音编辑与文本转语音项目，核心能力是零样本语音克隆：给一段参考音频和对应的文字，就能让模型学会这个说话人的音色，之后无论是把录音里的某句话替换掉，还是照着这个音色念出新句子，都不需要重新训练模型。
它的价值在于把「改录音」这件事从波形编辑换成了文字编辑。传统的语音剪辑要找准时间点、处理拼接处的语气断裂，稍有不慎就听得出痕迹；VoiceCraft 让用户直接改写文字内容，由模型生成对应语音再对齐回原位置，语气和音色能延续说话人的原貌。
使用上它主要面向有技术背景的用户。研究者可以基于开源代码做实验或二次开发，开发者可以把语音编辑能力接进自己的内容生产流程，普通用户则更适合作为了解这类技术的入口，实际使用前需要先解决本地部署和算力的问题。
VoiceCraft核心功能
录音内文字替换
对手头已有的录音，可以改动其中的文字内容，由模型重新生成对应的语音段落，语气和音色尽量贴合原录音，适合修正录错的字或换掉不合适的措辞。
文本转语音合成
把写好的文字直接合成为自然语音，配合克隆到的音色，可用于旁白、对白等内容的生产，输出结果风格取决于所给参考音频的音色与语气。
时长与内容对齐
在编辑录音时，模型会尽量让新生成的语音在时长和位置上与原片段对应，减少后期再手动对齐的工作量，但插入内容较长时仍需要人工微调。
开源可本地部署
项目代码公开，可以自己拉下来在本地环境运行，数据不必上传到第三方服务，适合对音频素材保密性有要求、或希望自行改造模型的用户。
VoiceCraft适合谁用？
视频与播客创作者
有条件录完口播发现某句话念错或措辞不合适，可以只改那一段文字重生成语音，不必整段重录。前提是愿意自己部署模型。
语音方向研究者
推荐对零样本语音克隆和语音编辑的实现细节感兴趣，需要能读代码、改模型结构、跑对比实验的环境，开源代码正好提供了这样的基础。
应用开发者
推荐想把语音编辑或克隆能力嵌进自己的内容工具里，可以基于代码二次开发，省去从零训练模型的工作。需要自己处理部署与推理性能。
只想要开箱即用配音的人
不推荐期望打开网页、粘贴文字、导出音频就完事，不打算配置运行环境也不打算碰命令行，这类需求用现成的在线配音服务更省事。
对素材保密有要求的团队
有条件音频不便上传到第三方平台，希望在自己的机器或内网完成处理，本地部署的方式可以满足这一点，代价是要自行承担硬件与维护成本。
VoiceCraft优点和缺点
优点
- 零样本克隆，一段参考音频即可复现说话人音色，不需要重新训练模型
- 把改录音变成改文字，省去逐帧修波形和手动对齐的时间
- 代码开源，可在本地或内网部署，音频素材不必上传第三方
- 支持在已有录音里替换内容，保留原说话人的语气与音色
缺点
- 需要自行部署和配置运行环境，对非技术用户门槛偏高
- 本地推理依赖较强的算力，普通笔记本跑起来会比较吃力
- 生成结果的对齐效果受原录音质量影响，插入较长内容仍需人工微调
- 作为开源项目，缺少现成的界面与售后支持，遇到问题主要靠社区
VoiceCraft常见问题
VoiceCraft 能做什么？＋
主要是两件事：一是语音编辑，把已有录音里的某句话按新的文字重新生成，音色和语气尽量延续原说话人；二是文本转语音，用一段参考音频克隆出音色，再朗读你写的文字。适合给视频、播客这类内容做修音和补录。
需要多少参考音频才能克隆声音？＋
它走的是零样本路线，给一段能清楚听到说话人声音的参考音频即可，不需要为这个人单独训练模型。参考音频越干净、背景噪音越少，克隆出来的音色越接近本人。
怎么用，需要写代码吗？＋
项目以开源代码的形式提供，通常需要自己准备运行环境、下载模型权重，再按说明执行脚本。过程中要接触命令行和依赖安装，对没有编程经验的人来说有一定门槛，更适合研究者或开发者使用。
可以商用吗？＋
用于商业用途前需要查看项目自身的开源许可条款，并确认所使用音频素材的授权情况。克隆他人声音还可能涉及肖像与声音权益，正式发布前建议先厘清授权边界。
和在线配音工具比该选哪个？＋
在线配音工具胜在打开就能用、出结果快，适合日常短视频配音；VoiceCraft 胜在能改已有录音、能本地跑、能自己改造模型，适合对控制力或数据保密有要求的场景。两类工具解决的问题不完全重叠。
生成出来的语音自然吗？＋
在参考音频清晰、待改内容不太长的情况下，音色和语调的延续性通常比较自然；如果原录音背景嘈杂、或者替换进去的句子明显比原句长，接缝处可能听得出差异，需要人工再调。
VoiceCraft竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| VoiceCraft本工具 | 4.5 | 未标价 | 零样本语音克隆；录音内文字替换；文本转语音合成；时长与内容对齐 | — |
| VoiSpark | — | 免费试用，Freemium 与付费并存，套餐细节未公开 | 用于文本转语音、语音克隆和自定义语音的 AI 语音生成器 | Web |
| Speakify | — | 未标价 | 免费的文本转语音转换器，支持多种语言的 AI 语音 | Web |
| Whisper Speech | — | 约 $0.061 一次，每 $1 约 16 次 | 开源文本转语音系统 | Web / API / Docker |
| Deepgram Aura | — | 未标价 | 人工智能助手的实时文本转语音 | API |
| Octopra | — | 未标价 | 具有真实感文本转语音和语音克隆功能的 AI 语音生成器 | — |
