样本要多长、什么要求？

关键是干净而不是长。一段没有背景噪音、没有音乐、没有混响、只有一个人正常说话的录音，效果比一段很长但环境嘈杂的好得多。手机在安静房间里录就够用，不需要专业设备。

和文字转语音有什么区别？

文字转语音用的是预置音色库，挑一个现成的声音；声音克隆是生成一个新的、属于你的音色。需要「某个特定的声音」时用克隆，只需要「一个好听的声音」时用预置库更快，也不用准备样本。

音色通常很接近，差别更多出现在语气和情绪的处理上 —— 尤其是样本里没有出现过的情绪。所以样本最好包含正常语速的完整句子，而不是单个词或一句喊话。

只能上传你有权使用的音频。用别人的声音需要得到本人同意，这既是平台规则也是法律要求 —— 具体条款以服务条款为准。

预置音色库解决的是「我需要一个好听的声音」。声音克隆解决的是另一个问题：「我需要这个声音」。

两种典型情况。一种是品牌一致性 —— 你的视频系列已经用某个声音做了几十条，观众认这个声音，不能中途换。另一种是本人出镜 —— 内容需要是你的声音，但你不想每条都进录音棚重录。

预置库都给不了这两样，因为你要的声音不在库里，或者你要的就是你自己。

克隆效果好不好，几乎全取决于样本质量，而质量的关键是干净：

手机在安静的房间里录一段就够用了，不需要专业设备。相反，一段很长但嘈杂的录音，效果往往比一段短而干净的差。

生成的音色会保存在你的账号里，之后随时取用，不用每次重新上传。

克隆是一次性投入、长期受益的事：认真录一段干净的样本，把音色存下来，之后所有内容都用它。

所以值得在样本上多花十分钟 —— 找个安静的房间，正常语速念几段完整的句子，把这一步做对。之后几百条内容的音色一致性，都取决于这一次。