Resona

AI 声音克隆通过一段简短的说话录音，为某个人的声音构建数字模型。模型建立后，你输入任意文本，就能得到该声音的语音。模型捕捉的是音色、节奏和口音特征——它并不是把你的原始音频分段回放。

分为四个阶段：你上传干净的语音（30 秒到几分钟）；系统提取说话人向量嵌入，即声音的数值指纹；文本转语音模型将该指纹与新文本的音素结合；神经声码器将结果渲染为音频波形。克隆通常需要几秒到两分钟，此后每次生成只需几秒钟。

这里的“神经”指声音模型是在大规模语音语料上训练的神经网络，而非更早的拼接式方法——后者把录制的片段拼接在一起。神经克隆所需的源音频少得多——30 秒即可使用——并且能泛化到新文本，而不只是回放录制过的短语。

每个声音 100 积分，一次性收费。之后该声音可重复使用，无需额外费用。积分为 1 美元 = 50 积分，套餐 9 美元起，无月费、无订阅、不过期。

按输入文本的 UTF-8 字节数计费：每 1,000,000 字节 1,500 积分。英文约为每字符一字节；中文和日文为每字符三字节。一份 1,000 词的英文脚本约为 6,000 字节——约 9 积分。

购买积分包时，1 积分相当于 0.02 美元（9 美元可购买 450 积分）。积分永不过期。没有月费或订阅费——按实际使用量计费，除此之外不收取任何费用。

30 秒干净的单说话人语音是可识别克隆的实际最低要求；1 到 3 分钟可显著提升相似度。请避免背景音乐、混响、其他说话人和削波。使用单声道、44.1 kHz 或更高采样率，且不要进行重度降噪。

训练通常需要几秒到几分钟，具体取决于样本长度和当前队列。声音一旦出现在你的库中，即可用于生成。

语音合成覆盖 83 种语言，且声音模型与语言无关——用英语录制一次，即可用日语、德语或西班牙语生成。输出中的口音跟随训练音频，因此要获得母语般的克隆效果，需要该口音的源音频。

这取决于克隆谁的声音以及你如何使用它。克隆自己的声音通常没有问题。克隆他人的声音需要获得其知情同意——许多司法管辖区将声音视为受保护的标识符，一些地区（如田纳西州的 ELVIS 法案）还授予明确的公开权。切勿使用克隆进行冒充、欺诈或虚假陈述。Resona 要求你对你克隆的每一个声音都拥有权利或同意。如需更深入地了解各司法管辖区关于同意和披露的规定——包括为配音克隆演员的声音——请参阅我们关于配音声音克隆权利与同意的指南。

可以，前提是这些语音归你所有，或你已获得书面同意使用。商业用途不会改变积分价格。你仍需对底层权利负责，并在法律或平台要求时披露合成语音——目前多个平台已要求添加 AI 语音标签。

预留的积分会自动退还。你的使用日志会保留该次尝试并标记为 REFUND 状态，以便你准确了解发生了什么。你绝不会为未收到的输出付费。