在线 AI 声音克隆
上传或录制清晰的参考音频，创建可以重复使用的专属音色，再用它生成不同文本和语言的语音。
- 支持 MP3、WAV、M4A 参考音频
- 克隆音色可用于多语言文本转语音
- 私有音色保存到我的音色库
在线 AI 声音克隆与文本转语音
基于阿里 Qwen-Audio-3.0-TTS，上传参考音频即可创建专属音色，并将文字生成自然、有表现力的多语言语音。支持中文方言、情绪标签、语速、音调与 instruction 语气控制。
12,000+ 位创作者正在使用
声音工作台
把你的文字变成声音
在一个安静、专注的工作台里完成文案、声音和表达方式的选择。
两种创作方式
从声音克隆到文本转语音，在一个工作台完成
创建自己的音色，或直接选择公共音色，把文字生成适合视频、播客、游戏和有声内容的自然语音。
在线 Text to Speech
输入文本并选择公共音色或私有音色，控制语速、音调、情绪和表达方式，生成可试听和下载的音频。
- 公共音色与专属克隆音色
- 情绪标签与 instruction 语气控制
- 支持多种常用音频输出格式
使用方法
三步完成 AI 语音生成
无需配置模型、API 或对象存储，直接在浏览器中完成音色选择、表达设置和音频生成。
- 01
选择或创建音色
从音色广场试听公共音色，或上传参考音频创建自己的克隆音色。
- 02
输入文本并设置表达
填写要朗读的内容，根据需要调整语言提示、情绪、语速、音调和 instruction。
- 03
生成、试听并下载
提交文本转语音任务，在生成记录中试听结果并及时下载音频。
应用场景
声音克隆与文本转语音可以用在哪里？
同一套在线语音工具可以服务短内容、长内容、角色对白和多语言本地化。
视频与短内容
制作解说、口播、短视频和产品演示旁白。
播客与栏目
为片头、转场、广告和固定栏目保持统一声音。
有声书与故事
为章节、故事和系列内容生成连贯的叙述声音。
游戏与角色
为 NPC、教程提示和角色对白快速制作语音。
课程与培训
更新课程讲稿后，无需重新安排整场录音。
品牌与营销
为广告、产品介绍和多语言活动内容生成配音。
模型与技术
AI 语音模型资料库
声音克隆模型各有所长：有的擅长多语言，有的着重情绪表达，有的方便本地部署。从官方论文与项目文档出发，了解它们的设计思路、版本差异和实际用法。
本站在线提供阿里巴巴 · 阿里云百炼
Qwen-Audio-3.0-TTS
用自然语言塑造语气、情绪与方言一句 instruction 调整角色感和说话方式，在文本中插入情绪、笑声等标签；复刻音色也能配合指令生成中文方言。
- 自然语言指令
- 情绪与富语言标签
- 多语言与中文方言
模型资料小米 · k2-fsa 开源项目
OmniVoice
大规模语言覆盖与短音频声音克隆小米团队面向 600 多种语言的开源 TTS：3～10 秒参考音频即可复刻，另有声音属性设计、时长控制、拼音与音素纠音。
- 600+ 语言
- 短音频复刻
- 发音与时长控制
模型资料哔哩哔哩 · IndexTTS 团队
IndexTTS 1.5
稳定中英文复刻与中文多音字纠音B 站 1.x 系列的稳定性升级：改善英语合成，保留汉字与拼音混合输入，适合需要可预测发音的中英文旁白。
- 中英文
- 拼音纠音
- 稳定性升级
模型资料哔哩哔哩 · IndexTTS 团队
IndexTTS 2
同一音色，独立调整情绪表现保留一个人的音色，再从另一段参考音频提取情绪；也能通过八维情绪向量或文字描述，让角色说出不同的表演。
- 音色与情绪解耦
- 情绪参考音频
- 文字情绪描述
模型资料面壁智能 ModelBest · 清华大学 THUHCSI
VoxCPM
连续语音表示、上下文表达与高采样率输出绕开离散语音 tokenizer，直接生成连续语音表示。1.5 强调 44.1 kHz 中英文复刻，VoxCPM2 扩展到 30 种语言和 48 kHz，并加入声音设计。
- Tokenizer-free
- 上下文表达
- 1.5 / 2 版本说明
DS Speech 当前提供 Qwen-Audio-3.0-TTS 在线功能；资料库中其他模型的介绍、命令和链接用于帮助读者了解与自行部署。
浏览完整资料库简单透明的价格
选择适合你的创作节奏
会员额度与积分包均按自然月重置，所有套餐统一使用 USD 定价。
首购优惠每位用户仅可享受一次。年付套餐展示一次支付的全年价格，月均价仅用于对比。
创作者评论
各行各业都在用它制作声音内容
从短视频、播客到游戏、课程和品牌内容，不同岗位的创作者都在用 DS Speech 更快完成自然、有表现力的 AI 配音。
Qwen-Audio-3.0-TTS 的生成速度很快。以前一条口播要反复找人补录，现在文案改完几秒就能听到效果，音色还原也足够稳定。
林澈短视频导演情感表达不像机械朗读。加入简短的 instruction 后，播客开场、广告和转场的语气会更有设计感。
Mika Chen播客制作人公共音色库覆盖了角色旁白、NPC 对话和教程提示，团队评审时不用再拿临时机器音占位。
周远游戏叙事设计师方言和多语言文本转语音让区域培训内容更贴近听众，比普通 TTS 的模板感弱很多。
Nina Hayes培训内容制作人我们会用声音克隆制作系列课程，讲师无法临时补录时也能及时更新内容，前后章节的声音更容易保持一致。
何嘉宁企业培训制作人Qwen-Audio-3.0-TTS 的生成速度很快。以前一条口播要反复找人补录，现在文案改完几秒就能听到效果，音色还原也足够稳定。
林澈短视频导演情感表达不像机械朗读。加入简短的 instruction 后，播客开场、广告和转场的语气会更有设计感。
Mika Chen播客制作人公共音色库覆盖了角色旁白、NPC 对话和教程提示，团队评审时不用再拿临时机器音占位。
周远游戏叙事设计师方言和多语言文本转语音让区域培训内容更贴近听众，比普通 TTS 的模板感弱很多。
Nina Hayes培训内容制作人我们会用声音克隆制作系列课程，讲师无法临时补录时也能及时更新内容，前后章节的声音更容易保持一致。
何嘉宁企业培训制作人我用 AI voice cloning 快速测试广告旁白，一个下午就能比较多种文案和表达方向。
Alex Morgan增长负责人长文本拆分后生成很顺手，情绪标签能帮助塑造章节氛围，后期只需要微调节奏。
宋怡有声书编辑同一个角色的克隆音色在多集内容里也不容易变化，持续更新系列作品时很实用。
Kenta Mori动画频道运营我们用在线文本转语音制作产品讲解和活动预热，临近上线时也能及时替换最后一版文案。
陈玥品牌内容策划音色广场的声音覆盖面够广，讲解视频、短视频和产品片不用每次都从零开始找声音。
Oliver Grant视频制作人我用 AI voice cloning 快速测试广告旁白，一个下午就能比较多种文案和表达方向。
Alex Morgan增长负责人长文本拆分后生成很顺手，情绪标签能帮助塑造章节氛围，后期只需要微调节奏。
宋怡有声书编辑同一个角色的克隆音色在多集内容里也不容易变化，持续更新系列作品时很实用。
Kenta Mori动画频道运营我们用在线文本转语音制作产品讲解和活动预热，临近上线时也能及时替换最后一版文案。
陈玥品牌内容策划音色广场的声音覆盖面够广，讲解视频、短视频和产品片不用每次都从零开始找声音。
Oliver Grant视频制作人单次输入支持更长的脚本，文字不用切得太碎，生成出来的语气和节奏也更连贯。
梁书瑶知识类创作者多语言 AI 配音节省了很多时间，我们能在同一次评审里比较中文、英文、日文和韩文版本。
Sophie Carter品牌策略师地方口音对本地内容很关键。普通话和方言版本放在一起试听后，团队更容易选出贴近用户的版本。
高铭本地生活运营加入情感标签后，可以很快区分紧张感台词和沉稳说明类音频，角色表达明显更丰富。
Haruto Sato游戏声音导演课程更新最看重速度。修改讲稿后可以马上重新生成清晰旁白，不必重新预约整场录音。
Rachel Moore课程创作者单次输入支持更长的脚本，文字不用切得太碎，生成出来的语气和节奏也更连贯。
梁书瑶知识类创作者多语言 AI 配音节省了很多时间，我们能在同一次评审里比较中文、英文、日文和韩文版本。
Sophie Carter品牌策略师地方口音对本地内容很关键。普通话和方言版本放在一起试听后，团队更容易选出贴近用户的版本。
高铭本地生活运营加入情感标签后，可以很快区分紧张感台词和沉稳说明类音频，角色表达明显更丰富。
Haruto Sato游戏声音导演课程更新最看重速度。修改讲稿后可以马上重新生成清晰旁白，不必重新预约整场录音。
Rachel Moore课程创作者常见问题解答
Qwen-Audio-3.0-TTS 是什么模型，声音克隆效果好吗？
Qwen-Audio-3.0-TTS 是阿里云百炼提供的高性能语音合成模型系列，支持在线文本转语音、声音复刻、声音设计和 instruction 表达控制。它与 Qwen3-TTS、CosyVoice 属于不同的模型系列。DS Speech 专注于提供更易用的 Qwen-Audio-3.0-TTS 在线声音克隆与 AI 语音生成体验。
如何开始使用 AI 声音克隆？
在工作台输入文本，选择预设音色，或上传一段清晰的参考音频保存为自己的声音模型，然后生成试听结果。
生成的声音可以用于商业项目吗？
可以。使用他人声音前，请确保您已获得声音权利人的合法授权；如果使用的是您本人的声音，或由您自行生成且不涉及他人权益的音色，则可以用于商业项目，我们不会额外限制其商业用途。
目前支持哪些语言？
中文（普通话、广东话、重庆话、东北话、甘肃话、贵州话、浙江话、河北话、河南话、湖北话、湖南话、江西话、宁波话、宁夏话、青岛话、陕西话、山西话、山东话、上海话、四川话、云南话）、英语、日语、韩语、俄语、法语、德语、葡萄牙语、泰语、印尼语、越南语、西班牙语、意大利语、马来西亚语、菲律宾语、阿拉伯语
参考音频有什么要求？
WAV、MP3、M4A 格式，音频时长推荐 10~20 秒，最长不超过 60 秒。文件大小 ≤ 10 MB，采样率 ≥ 16 kHz。
双声道音频仅处理首声道，请确保首声道包含有效人声。
音频必须包含至少 5 秒连续清晰的朗读内容（无背景音），其余部分仅允许短暂停顿（≤ 2 秒）。整段音频应避免出现背景音乐、环境噪音或其他人声。请使用正常语速的说话音频，不要上传歌曲或唱歌录音。
有哪些使用限制？
请勿用于欺诈、冒充、骚扰、仇恨、淫秽或色情内容或其他违法场景。如经发现会立即终止您账户的权利。
会员额度和积分包如何重置？
会员额度与单独购买的积分包都按自然月清零，请在当月内合理安排使用。
可以控制情绪、方言或角色感吗？
可以通过标签和 instruction 指令控制部分情绪、方言和角色风格。
instruction 示例：
标准播音风格：吐字清晰精准，字正腔圆
年轻活泼的女性声音：语速较快，带有明显的上扬语调，适合介绍时尚产品
沉稳的中年男性：语速缓慢，音色低沉有磁性，适合朗读新闻或纪录片解说
instruction 中文方言示例：
请用河南话表达
标签示例：
[excited]今天的天气真不错！[laughing]我们一起出去玩吧！
会员过期后，声音模型会被清空吗？
不会。会员过期或从 Pro 会员降级为 Plus 会员后，您已创建的声音模型仍会保留，不会被删除。但您只能使用当前会员等级所支持数量范围内、最近创建的声音模型。
例如，您原本是 Pro 会员，已创建 30 个声音模型。降级为 Plus 会员后，您可以继续使用最近创建的 10 个声音模型，其余模型仍会保留，但暂时无法使用。
当您重新开通 Pro 会员后，原有的 30 个声音模型将恢复正常使用。
文本转语音生成的音频会保存多久？
文本转语音生成的音频文件仅保存3天。超过期限后将无法播放或下载，请及时下载并妥善保存。