声音克隆的 30 分钟规则
声音克隆需要什么:30 分钟有效音频、没有切断的长录音,以及在录音继续的同时处理失误的简单方法。

在 ElevenLabs 上制作专业克隆,目标很明确:30 分钟干净、连续、专业的音频。以下是我围绕它来规划的规则。
基本要求
- 最短时长: 30 分钟有效音频。不剪切、不编辑、没有背景音乐。
- 内容类型: 自然地朗读,带有多种语气和情感。
- 连续录音: 一次或几次长录音,但始终是内部不切断的长录音。
计划 40 到 45 分钟
ElevenLabs 要求至少 30 分钟的干净音频。为了在清理掉失误之后仍然剩下这 30 分钟,我计划 40 到 45 分钟的朗读。多出来的时间就是余量。
录长录音,最好每条 30 分钟。如果你的嗓子或精力撑不了那么久,就以 10 到 15 分钟为一段连续朗读。
出错时怎么办
诱惑是停下来重新开始。规则恰恰相反:
- 停顿一秒。
- 把整句话重读一遍。
- 不停止录音,继续往下读。
最后只裁掉过长的静音。不要每出现一个小失误就切断,也不要过度编辑。布满切口的文件,对模型来说比有几处坦诚失误的文件更糟。
质量先于完美
最重要的四件事:
- 录音的质量: 好麦克风和安静的环境。
- 说话的清晰度: 吐字、口音和节奏。
- 情境的多样性: 中性、讲解、亲切和有情感的语气。
- 连续性: 没有过多切口的长文件。
清单
- [ ] 至少 30 分钟有效音频,计划 40 到 45 分钟。
- [ ] 没有背景音乐,没有编辑。
- [ ] 长录音,或 10 到 15 分钟的连续片段。
- [ ] 失误用重读整句来处理,而不是切断。



