如何在家录制干净的声音克隆参考音频

好用的声音克隆参考不需要录音棚。真正重要的是：让模型能清楚判断“这个人平时是什么声音”，而不是让录音听起来像一档制作精良的播客。

这个区别很重要。昂贵麦克风也救不了强回声、贴着麦克风的风扇、背景音乐，或者第二个人在旁边说话。相反，一部普通手机放在安静、吸音较好的房间里，完全可能录出更适合声音克隆的参考。

IndexTTS Online 接受短参考音频，因此目标不是录一整段节目，而是获得几秒到几十秒干净、稳定、能代表目标说话者的连续语音。

先选房间，再选麦克风

家庭录音里，房间往往比设备更先决定结果。

厨房、卫生间、楼梯间和几乎空着的房间有很多硬表面，容易把声音反射回来，形成明显混响。窗帘、地毯、软家具、床品和书籍通常会吸收更多反射，让辅音和句尾更清楚。

不需要搭专业 vocal booth。可以走进两三个候选房间，各拍一次手，听声音衰减得快不快；再用同一部手机录同一句普通话，比较哪一间的辅音最清楚、尾音拖得最短。

选择“声音最少被房间染色”的空间，而不是看起来最专业的空间。

从源头消除持续噪声

不要一开始就依赖降噪软件。能关掉的噪声，优先直接关掉。

常见家庭噪声包括：

• 风扇和空调；
• 开窗后的交通声；
• 高负载电脑的风扇；
• 冰箱或其他家电；
• 桌面震动；
• 远处的电视和音乐；
• 其他人的说话声。

录音前先安静听十秒。很多日常已经被大脑“忽略”的声音，戴耳机后会变得非常明显。

如果为了安静把空调、风扇都关掉会不舒服，也不用长期忍受。只要关几分钟，录完短参考再恢复即可。

手机通常已经足够

现代手机在距离合适时可以录出很清楚的人声。

尽量把手机放在稳定表面，而不是一直手持，避免摩擦和移动噪声。麦克风不要被桌布、手机壳或其他物体遮住。

距离不要极端：太近会让呼吸、爆破音和口水声特别明显；太远又会让房间声占比增加。

最实用的方法是录两三个距离，使用同一句话，然后选择“尽可能近、但声音仍自然”的那一档。

笔记本麦克风更要注意距离和风扇

笔记本也能录，但正常使用时嘴离麦克风往往比手机更远，而且还容易同时录到键盘、桌面反射和机器风扇。

如果用笔记本：

1. 录音时停止打字；
2. 关闭会让风扇高速转动的任务；
3. 把电脑放在相对安静的位置；
4. 朝麦克风区域保持稳定方向说话；
5. 用同一句话和手机直接 A/B 比较。

最后用更干净的那个。声音克隆没有“设备越复杂越好”的奖励。

外置麦克风也修不好坏房间

USB 或 XLR 麦克风能提供更多控制，但灵敏度更高时也可能把更多房间混响录进去。

按照麦克风的拾音方式和建议距离使用，并让说话者位置保持稳定。对较响的音节要特别留意是否 clipping。

如果外置麦克风听起来更“专业”，但房间尾音明显比手机更重，那么手机仍可能是更好的声音克隆参考。

模型需要的是清楚的身份线索，不是昂贵设备带来的频响参数。

自然说话

参考音频最好接近你希望后续生成出来的声音状态。

如果最终用途是中性旁白，就录自然、普通的会话式表达。喊叫、耳语、唱歌、哭腔、强烈角色声或极端情绪，会把这些风格一起变成模型看到的“说话者证据”。

一段好的测试句可以包含两三段自然从句，声音变化比较丰富，但语速舒服。

不要让整段参考只由以下内容组成：

• 数字；
• 姓名；
• 缩写；
• 重复短词；
• 不自然背诵的口号。

自然连续语音更能代表一个人的日常声音。

只保留一个说话者

第二个人声有时很明显，比如采访者；有时只是另一个房间里的一句“好”或“嗯”。

上传前完整听一遍。如果出现任何第二个人声，重新录制，或把参考裁到只剩目标说话者。

这不仅是质量问题，也是权利问题。只能使用你自己的声音，或已经明确获得许可的声音。

多录几遍短 take

不要要求第一遍就完美。

可以录三条：

• 正常自然语速；
• 稍慢一点但仍自然；
• 休息片刻后再录一遍正常版本。

戴耳机比较时，重点听清晰度、一致性、回声、底噪和音量，而不是哪一条最“有表演感”。

选择最干净、最稳定、最能代表这个说话者平时声音的一条。

注意削波

Clipping 是输入电平超过录音系统能承受的范围，响音节的波形顶部会被削平，听起来可能像刺耳爆裂。

如果某个响词出现 crackle，可以稍微远离麦克风，或者在设备允许时降低输入增益。

已经发生 clipping 后，再把音量调低并不能恢复丢失的波形，重新录一条通常更可靠。

反过来，录得太轻也不好，因为后期放大时会把环境噪声一起放大。目标是稳定、舒服，并留出一点余量。

保留干净的开头和结尾

参考不要从半个辅音开始，也不要在一个词中途突然结束。

可以在第一句话前和最后一句后各留一点干净 room tone，再裁掉明显过长的静音。

同时避免鼠标点击、键盘敲击、挪椅子、碰麦克风或拿手机的声音出现在头尾。

干净边界让文件更容易检查，也更适合长期复用。

不要加背景音乐

背景音乐可能让成片更好听，但不适合做声音克隆参考。

参考是模型输入，音乐只会增加一个模型不需要判断的信号。先录干声，等生成出合成语音以后，再在剪辑阶段加入音乐。

音效、reverb、radio filter 和强压缩也是同样原则。

降噪要保守

少量稳定底噪在轻度处理后可能会改善，但 aggressive voice isolation 可能制造金属边缘、水声、辅音缺失等新问题。

有条件时直接比较：

• 最干净的原始 take；
• 轻度处理版本。

哪个更保留自然声音就用哪个。如果两个都不好，重新录制通常比反复修一条坏参考更省时间。

十分钟改善源录音，往往能省掉后面很多次无效重新生成。

导出简单、可重复使用的文件

保持工作流简单。产品支持时，WAV 或 MP3 都是常见短参考格式。

不要把同一段音频反复在多个有损格式之间转码，因为每次转换都可能增加不必要的损失。

把选中的版本保存一份 master，并明确命名，例如：

narrator-reference-clean-01.wav

以后使用同一个 reference 做 A/B 测试，结果才有可比性。

用两句普通文本做最终验证

把这条 reference 保存为项目基线前，先用普通两句文本生成一次。

重点听：

• 说话者身份是否稳定；
• 辅音是否清楚；
• 房间回声有没有带进生成结果；
• 是否出现 buzzy、metallic 等异常质感；
• 表达是否显得吃力或不自然。

如果结果不好，用同样文本和同样模型换第二个 reference 再测试，不要同时调整多个变量。

这样才能判断问题是不是来自录音本身。

家庭录音检查清单

上传前确认：

1. 房间安静，并尽量有软性吸音表面；
2. 无风扇、音乐、电视和附近交谈；
3. 只包含一位已授权说话者；
4. 麦克风距离稳定；
5. 使用自然会话式表达；
6. 没有明显 clipping；
7. 开头与结尾干净；
8. 没有不必要的效果处理；
9. 至少录了几个候选 take；
10. 最佳 take 已经通过短文本生成验证。

目标不是录音棚完美，而是让模型对一个问题只得到一个清楚答案：这个人平时听起来是什么样？

用简单设备和正确的家庭录音选择，完全可以做到这一点。