AI配音-AI声音模型+数字人语音驱动，可以把视频搞得有声有色

哈喽！伙伴们，我是小智，你们的AI向导。欢迎来到每日的AI学习时间。今天，我们将一起深入AI的奇妙世界，探索“AI配音-AI声音模型+数字人语音驱动，可以把视频搞得有声有色”，并学会本篇文章中所讲的全部知识点。还是那句话“不必远征未知，只需唤醒你的潜能！”跟着小智的步伐，我们终将学有所成，学以致用，并发现自身的更多可能性。话不多说，现在就让我们开始这场激发潜能的AI学习之旅吧。

AI配音-AI声音模型+数字人语音驱动，可以把视频搞得有声有色：

刚过去的这个周末，刚好遇到高考，然后就想着搓个有趣的卡通动画，给高考学子加油一下。发现效果挺不错的，索性就多弄了2个语音克隆，发个文章记录一下。

看看效果

用的是海螺MiniMax的Speech-02-hd + 腾讯混元的数字人语言驱动模型HunyuanVideo-Avatar，大家直观的感受一下，Speech-02的语音合成能力有多强。

现在，这个新模型，MiniMax Speech-02-hd，已经可以在MiniMax官网用了，目前只有海外版有声音克隆，别问我为什么只有海外版有。

网址在此：https://www.minimax.io/audio

语音克隆如何使用
进入Minimax的Audio官网后，点击左边的Voices。

免费用户，可以免费克隆3个声音。

我花了3美元买了10万的credits，应该有百来分钟的语音合成。

点进去以后，直接上传你的素材，然后正常命名，选择主语言就行，很简单。

上传的语音最少上传10s的音频片段就可以克隆了，不过这个样本其实不是特别够，所以我一般推荐音频素材最好在30s左右。

然后只需要十几秒，一个新鲜的声音模型，就克隆好了。

后续使用的时候，直接在右边的声音选择界面里面找到自己的tab，正常使用就行。

数字人语音驱动如何使用
视频生成用到了来自腾讯混元发布并开源的语音数字人模型HunyuanVideo-Avatar。

用户可上传人物图像与音频，HunyuanVideo-Avatar模型会自动理解图片与音频，比如人物所在环境、音频所蕴含的情感等，让图中人物自然地说话或唱歌，生成包含自然表情、唇形同步及全身动作的视频。

体验入口：https://hunyuan.tencent.com/modelSquare/home/play?modelId=126

使用非常的方便，上传音频及一张图片，就可以驱动生成相应的视频。

音频需要是WAV格式的，目前只支持14秒的音频，所以如果你要生成比较长的视频，可以把音频切割成几段，分别生成视频，再进行拼接。

多语种混合尝试

目前海螺的Speech-02-hd 已经支持32种语言，为了测试其他语言的音频生成，我搞了一个比较复杂的，甄嬛传的皇四郎。

文本是这样的：

妈的，开个周会而已，至于吗？
负责人（突然拍桌）：
“Listen team, we need to optimize the workflow as soon as possible”
（突然摸下巴切换法语）
“Ah oui, et rajoutez une touche de créativité, s’il vous plaît~”
（转向我，切日语）
「これはマジでイラっとするわ〜」
（突然拍大腿切西语）
“¡Caramba! ¿No hay nadie aquí que entienda el valor de la eficiencia?”
（我默默打开翻译软件，他又切德语扶眼镜）
“Entschuldigt, aber ich finde, wir sollten first prioritieren…”
我（拍桌，中文暴走）： 你是在玩语言接龙吗？！到底说人话还是 ——
众人（摔笔）： 所以刚才那堆「c’est la vie」「santé」都是 AI 在装逼？！
哦，他是 MiniMax Speech two，新模型。

真的，实在太好玩了。

很有趣的是，他们在讲故事的场景中，如果你只用一个声音的话，在一些不同角色那里，它甚至会有不同的音调变化和情绪变化。

说说使用感受

目前海螺的Speech-02-hd 语音合成模型，使用起来感受很好，而且也很顺滑，它会根据提供的文本内容会有不同的音调变化和情绪变化，语音克隆还原度也非常的高。我用了几次就爱上了，现在已经开始充值使用了。

要说不足，就是对某些语境的理解还是需要加强，比如我想让它合成如下这段文字的语音：

“厦门的佛教文化氛围浓厚，阿公阿嬷们每逢初一十五都有去寺庙拜拜”

这里面的“阿嬷”讲出来就没有闽南的味道，发音也不太对，还有“拜拜”直接读成“bye bye”的声音，正确的读法应该是第四声。

不管怎样，在普通话的表现已经让人很惊喜了。

另外，视频的生成，因为每次只能生成14秒的视频，想要生成长视频，就得分段生成，再拼接，这样拼接处，就会有跳帧的感觉，不知现在有没有人去开发个AI agent ，专门处理视频无痕拼接的功能，这对视频剪辑的人应该是一个强烈的需求。

嘿，伙伴们，今天我们的AI探索之旅已经圆满结束。关于“AI配音-AI声音模型+数字人语音驱动，可以把视频搞得有声有色”的内容已经分享给大家了。感谢你们的陪伴，希望这次旅程让你对AI能够更了解、更喜欢。谨记，精准提问是解锁AI潜能的钥匙哦！如果有小伙伴想要了解学习更多的AI知识，请关注我们的官网“AI智研社”，保证让你收获满满呦！