AI配音声音克隆工具

它解决什么问题

给视频配音，常见的三条路都不太顺：

真人录——音色最好，但改一个字就要重录一遍，还得对口型、对时长。 一条片子改五版，录音棚跑五趟。

在线 TTS 服务——按字数收费，文案要传到别人服务器上。 客户的产品发布会讲稿、还没上线的课程脚本，传上去这件事本身就是问题。 而且音色是平台给的那几个，撞音的概率不低。

自己搭开源 TTS——效果能到，因为底下就是同一批模型。 但你得装 Python、装 PyTorch、下几个 G 的权重、配好 MPS，还得会写调用脚本。 折腾一晚上，为的是配一段三十秒的旁白。

这个工具把第三条路打包好了：模型、运行环境、界面全在一个 dmg 里， 装上就能用，一句命令都不用敲。

主要功能

一、音色克隆 + 预设

给一段参考音频（十几秒就够），工具把音色特征提出来，存成一个预设。 之后要用这个音色，从下拉里选一下就行 —— 加载不到 1 秒， 不用每次重新上传、重新提特征。

一个人的声音存一次，可以用一年。团队里几个常用的旁白音色， 存成几个预设摆在那儿，随取随用。

二、情感控制，四种给法

同一段文字，用什么情绪读，这个工具给了四个入口：

• 跟随预设——用音色自带的情感，最省事；
• 参考音频——再给一段录音，模仿那一段的情绪，音色还是原来的；
• 文本描述——直接用文字说，「兴奋一点，像在发布会上」，最灵活；
• 手动调节——8 个情感滑块自己配比，配合「情感强度」控制浓淡。

还有分句情感：一段文案里，某一句要单独给情绪，指定就行 —— 不用把文案拆成几段分别生成再拼。

三、读音可控

中文 TTS 最常见的翻车是多音字。这里有两层解法：

• 手动注音：在文本里写 银行{háng}就在前面，这一句就按你说的读；
• 全局词典：设一次「重{chóng}蹈覆辙」，以后所有文案里都按这个读。

专有名词、人名、行业黑话，加进词典一次，之后不用再管。

四、语速与质量

语速 0.5～2 倍连续可调，音高不变（不是简单变速那种「快放变尖」）。 生成质量三档可选：极速、均衡、高质量 —— 试稿用极速，成品用高质量。

交付内容

安装包放在百度网盘，本页下面的下载区登录后即可获取链接， 里面是 macOS 版 dmg：

• IndexTTS2配音工具.dmg —— 8.7GB，Apple Silicon（M 系列）专用
• 首次打开必读 —— dmg 里附了一份，装之前先看

包为什么这么大：IndexTTS2 的模型权重、PyTorch、Python 运行时全打在里面。 换来的是装上就能用 —— 不用装环境、不用下模型、断网也能跑。

暂时没有 Windows 版和 Intel Mac 版。

包是公开可下的，下载不需要买 —— 真正的门禁在软件里：打开要用本站账号登录， 没有试用也没买过的账号进不去主界面。所以尽管下，先申请试用用着看。

先免费用 10 天

注册一个账号，登录后在本页点一下「申请 10 天试用」，试用立刻开通 —— 不用填卡号，不用留联系方式，功能也不阉割，全都能用。 用顺手了再买，用不顺手就算了。

试用每个账号只有一次，从点下申请那一刻起算 10 天。到期不会自动扣费， 只是软件不再启动，已经生成的音频文件不受任何影响。

购买与使用流程

1. 在本站注册账号并登录；
2. 回到本页点「申请 10 天试用」，试用即刻开通（也可以在账号中心申请）；
3. 从网盘下载 dmg，拖进「应用程序」，用本站的账号密码登录，10 天内全部功能可用；
4. 觉得值就在本页下单，付一次，付款后永久授权直接挂到你的账号上；
5. 软件里什么都不用改，下次打开自动从试用变成正式授权。

网站和软件用的是同一套账号 —— 不用记激活码，也不用报机器码。 换电脑、重装系统，重新登录一次就行。

授权说明

• 一次买断，永久有效，没有订阅、不会到期、不用续费。
• 一个账号一份授权，供本人使用；同时最多 2 台设备登录，第 3 台登录时最早的那台自动下线。
• 授权状态与已登录设备可以在账号中心查看和管理。
• 断网也能用：软件每次打开联网核一次，核过之后 24 小时内断网照常工作。
• 交付的是可执行程序，不含源码。需要源码或二次开发授权请走定制开发。
• 同一大版本内的功能更新与修复免费。

环境要求

• macOS 12 及以上，Apple Silicon（M1 / M2 / M3 / M4）；
• 磁盘至少留 20GB（dmg 8.7GB，装开之后还要更多）；
• 首次生成会加载模型，比之后几次慢一些，属正常；
• 生成过程全部在本地，只有登录和授权校验需要联网。

常见问题

生成一段 30 秒的旁白要多久？ 取决于机器和质量档位。M 系列芯片上，均衡档大约是实时的几分之一到一倍 —— 三十秒的稿子，等十几秒到半分钟。极速档更快，成品建议用高质量档再跑一遍。

音色克隆需要多长的参考音频？ 十几秒的干净人声就够，越干净越像。背景音乐、混响、多人说话都会影响效果。

为什么读错字？ 多音字用 银行{háng} 这种写法当场注音；同一个词反复读错， 加进「全局多音字词典」，以后所有文案都按你说的读。

试用期结束但还没买，之前生成的音频会怎样？ 音频文件在你自己的电脑上，是你的东西。试用结束只是软件不再启动， 已经导出的文件、存好的预设都还在，买了之后接着用。

能商用吗？ 生成的音频归你使用。但克隆别人的声音要拿到本人许可 —— 用他人音色做商业内容的法律风险由使用者承担，这一点在服务条款里写明了。

有 Windows 版吗？ 暂时没有。模型推理这块 Mac 上走 MPS，Windows 要重新适配 CUDA / DirectML， 排期还没定。有需求可以留言说一声。