AI 语音 生成器

AI 语音生成器可以把文字变成语音。你输入要说的内容,再描述声音的样子,比如年龄、口音、语速和情绪,模型就会把它演绎出来。生成的音频文件可以用在视频、游戏、播客片头或演示文稿中。

在 Mage 上,语音模型是 Seed Audio。它能通过一条提示词生成人声、对话、音乐和音效,并输出你所选时长的 MP3,时长可选 5、10、30、60 或 120 秒,精确无误。它可以使用一张图片参考,或最多三段音频参考来引导声音,但同一个片段中不能同时使用两者。

Mage 的好用之处在于后续衔接。已保存的角色可以绑定声音,而支持读取角色声音的视频模型 Cherry、Raspberry、Plum、Lemon 和 MiniMax-H3 会自动使用它,所以你设计的人物在每个片段里听起来都一样。Lipsync 应用也可以使用你生成的配音,让人脸与之同步。

声音提示词包含两部分:说什么,以及听起来如何。把要说的话放进引号里,让它一眼就能看出是台词,再在周围描述表演方式。比如“一位七十多岁的男人,声音温暖沙哑,语速缓慢、带着笑意,靠近麦克风,在安静的房间里说:‘每个故事,都始于某个本该待在家里的人。’”这就给了 Seed Audio 一个说话者、一种说法和一个空间。

最能改变声音的细节是年龄、精力、语速和距离。贴近麦克风的耳语、大礼堂里的舞台嗓音、电话那头疲惫的声音,同样的话会是三种完全不同的演绎。描述情绪时,用“调侃”“恳求”“宣布”这样的动词,而不是只用形容词。

• 把确切的台词放进引号里
• 给出年龄范围和精力状态
• 说明语速:不紧不慢、轻快、断断续续
• 描述环境:录音棚、街头、大教堂、电话
• 先用 5 秒或 10 秒的短句试听声音,再生成长篇朗读

Seed Audio 返回的时长与你的选择完全一致,所以请让时长与脚本相匹配。一句台词或一个反应适合 5 或 10 秒。简短的旁白或产品介绍适合 30 秒。一场对话或一段解说适合 60 或 120 秒。脚本对片段来说太长会被赶着读完,太短则结尾会留下空白或环境底噪。

也要考虑音频的去向。Lipsync 和 Music Video 最多支持 15 秒的音频,所以做会说话的肖像时,请写一句 10 秒内能说完的台词,并按这个时长生成。

Mage 中的角色可以拥有自己的声音:上传 MP3 或 WAV,或在创建角色时用 Seed Audio 生成一段简短样本。此后,每当角色说话,Cherry、Raspberry、Plum、Lemon 和 MiniMax-H3 都会自动使用这个声音。关于角色,请看 AI 角色生成器;关于如何让肖像说出一句台词,请看 AI 会说话的照片 指南。

参考音频只能使用你自己的声音,或你已获授权使用的声音。Mage 不允许未经本人同意模仿真实人物。