用 AI 配音：从文本到可用音轨
AI 配音怎么做、哪些工具免费？本文按大陆直连与否整理 MiniMax 海螺、剪映、Fish Audio、蝉镜、ElevenLabs、Descript 六款，先分清只要音轨还是要数字人，并给出从改口语稿到导出音轨的五步流程、声音克隆的授权红线，以及多音字、停顿、响度三类常见返工点。
结论先行：中文 AI 配音的自然度在 2026 年已经能直接用于短视频旁白、课程和有声书初稿，普通听众在一两句里分辨不出来。仍要人做的是三件事：把书面语改写成口语稿（AI 念书面语一听就假）、标注多音字和专有名词读音、听一遍全轨修掉断句错误。这件事的瓶颈早已不是音色，而是稿子。
选工具看三条：一是大陆能否直连，国产几款不用梯子、也能开中文发票；二是免费额度的计量单位——有按字符、有按积分、有按分钟，换算后差得很远，且免费档通常不含商用授权；三是输出形态，你要的是一段音频文件（MP3／WAV），还是连口型的数字人视频，这两类工具不通用，选错会多绕一圈。
能做这件事的工具
| 工具 | 选它的理由 | 免费额度 | 大陆直连 |
|---|---|---|---|
| MiniMax 海螺 稀宇科技 | 国产语音合成里自然度第一梯队，中文情绪和断句稳，音频入口在官网 audio 页。 | 以官网为准 | ✓ 直连 |
| 剪映 字节跳动 | 剪辑、字幕、配音在一个软件里闭环，短视频最省事的一条路，网页版需抖音账号。 | 以官网为准 | ✓ 直连 |
| Fish Audio Fish Audio | 开源路线、可本地部署，多语种门槛低，适合要自建 TTS 又想控成本的人。 | 以官网为准 | ✓ 直连 |
| 蝉镜 蝉妈妈 | 要「人出镜念稿」而非纯音轨时用它，上传约 2 分钟真人视频克隆专属分身。 | 以官网为准 | ✓ 直连 |
| ElevenLabs ElevenLabs | 高拟真配音与声音克隆的行业标杆，多语种切换仍保留同一音色是它的独门。 | 免费档每月 1 万 credits，且不含商用授权；Starter 档 6 美元／月含商用许可。 | 需海外网络 |
| Descript Descript | 把音视频当文档剪——改文字即改音频，去口癖、克隆声音补录都在一个界面里。 | 以官网为准 | 需海外网络 |
工具名链到本站入口页(官网地址、免费额度、登录方式随时复核);「需海外网络」只是客观说明其官方服务不面向中国大陆,本站不介绍任何绕过方式。
怎么做
- 先把稿子改成口语——长句拆短、去掉书面连接词、每句控制在一口气能念完。这一步对成品自然度的影响比换工具大。
- 挑音色时用同一段 30 秒的真实稿子横向试听，别用工具自带的演示文本。演示文本都是挑过的，换成你的内容才听得出问题。
- 生成前标注读音与停顿——多音字（行、重、长、了）、人名地名、英文缩写、数字读法，都在稿子里先写成期望读音或加停顿标记。
- 生成后全轨听一遍，只逐句重生成读错、断句怪、语速忽快忽慢的那几句，不要整段重跑，省额度也省时间。
- 导出高码率或无损文件再进剪辑软件对轨。背景音乐、响度平衡在剪辑端处理更可控，别在配音工具里做最终混音。
常见坑
- 用别人的声音做克隆有法律风险。中国已有生效判例认定自然人的声音权益及于 AI 合成声音，只克隆你自己的声音，或拿到明确的书面授权。
- 免费额度多数不含商用授权。免费档做出来的音频用在带货、广告、付费课程里属于违反服务条款，要商用就升级到对应付费档并保留凭证。
- 中文多音字和数字读法是最高频的返工点：「重」「行」「长」以及电话号码、年份的读法，工具猜错的概率不低，稿子里先标。
- 合成语音的响度普遍偏高、动态范围窄，直接和背景音乐叠加会糊。进剪辑后先做一次响度归一化再配乐。
常见问题
AI 配音免费的能商用吗？
多数不能。免费档通常只授权个人非商业使用，ElevenLabs 免费档就明确不含商用许可，付费档才给。要用在广告、带货、付费课程上，按工具的商用条款升级，并保留付费凭证备查。
能克隆我自己的声音吗？需要多少素材？
可以。主流工具要的素材从几十秒到几分钟不等，数字人类工具通常要约 2 分钟的出镜视频，纯音频克隆要的更少。录制环境比时长更重要：安静房间、同一支麦、语速平稳，一次录完。
AI 配音能听出来吗？
取决于稿子多过取决于工具。破绽通常是书面语腔、每句语速一样、该停的地方不停。把稿子改成口语、在段落之间留出真实的呼吸停顿，普通听众很难分辨。
做口播视频，该选配音还是数字人？
只要旁白音轨就选纯语音合成，导出音频进剪辑软件；要人脸出镜对口型才选数字人。两者的价格和工期差一个量级，先确认成片里到底需不需要真人出镜。