不知道大家有没有这样的感觉，现在看视频总会听到很多同质化的声音，什么东北老铁，广东小帅，台湾阿美，听来听去就是那几个声音，真的有点审美疲劳。高端博主全部自己配音，台词功底非一日之功。我们这种比较内向又没有太多台词训练的普通人，有时候也想做点什么东西出来，也想自己配音，但嗯啊这种语气助词出现的十分频繁，很影响观感。我个人其实一直都想克隆一份自己的声音，然后每次需要做视频的时候就做一个语音合成。正好前段时间阿里推出了语音克隆产品，着实让我兴奋了一把，于是赶紧着手搞起来。搞定后发现，这个东西好是好，但上手门槛稍微有点高，所以就有了这期视频，教大家如何上手阿里云的语音合成。
大家好，我是什么都略懂一点的up主金金金金魂，今天就跟我来搞定阿里云语音克隆吧。
首先我们了解一下阿里云的声音克隆，在阿里云内部它叫做轻量化声音克隆能力，是通过真人语音数据训练生成独特的定制语音合成模型，可应用于数字人音频合成、音视频制作配音、个性化有声书朗读等场景。也就是说这种语音克隆是真的克隆，按照你自己的声音制作出类似于小美小帅那样的一个完整的模型，而不是像某些项目那样基于已有的模型进行音色叠加，这是两种完全不同的东西。单纯从效果来说，这种方法不一定会更好，因为自己训练的材料不一定比他已有的模型更多，自己的训练预料也可能会有部分瑕疵，毕竟比不上专业的，可能会导致某些地方，比如换气，语调，之类的，不那么完美。但我敢保证，通过这种方法得到的语音，一定是跟你更加相像的，如果将来有数字人模拟的需求，这种应该是更有可能做到以假乱真的。
那我们现在就正式开始。根据文档我们可以看到，阿里云提供的声音克隆功能是以api形式来提供的，意味着无论训练模型还是利用模型生成语音，都需要通过编程或者命令来实现。也就意味着，对于某些朋友来说，这个东西是有一定的门槛的，对我自己来说，使用频率最高的语音合成文字过程，每次都要调用代码也挺麻烦，所以我就想一定要想个办法把这个门槛降到最低，至少能方便我自己。于是我就开发了一个语音调用的应用。
为了让它兼容性更好，我使用了BS架构，通过浏览器访问前端界面，功能部分在服务器端完成。首先我们来看一下效果。
界面中只有几个输入框，第一个是授权码，这个是需要在阿里云里申请的，如何申请后面会说。第二个是要使用的语音模型，如果您已经有自己的模型，那就使用自己的模型。阿里自己也训练了43个模型供我们使用，列表也在这里。这里我就是用我自己的模型了。
第三个输入框就是我们需要转换的文字，粘贴进去之后，点击生成语音，片刻之后就自动开始播放我们生成的语音了。当然这个语音也可以下载供后续使用。
页面刷新后，授权码和模型名字都会保留在输入框里，方便下次使用。
我的方案是通过docker。docker是支持全平台的一个容器平台，我把开发好的应用打包成一个镜像，只要你的电脑上安装了docker，就可以以我提供的镜像为模板，运行起来一个一模一样功能的容器。容器是什么？容器就是一个进程，跟你电脑里的各种软件没有本质的区别。所以到这里为止，我们知道我们首先需要安装容器。Win11和Mac用户下载docker desktop，安装过程基本就是一直点击下一步，链接我会放到简介里。Linux用户请自行搞定安装。后续的演示我以win11为例。
安装后我们会得到docker，同时也会得到docker compose，它是容器管理工具，让我们更方便的操控容器。此时，我们打开命令行，输入docker compose，如果出现了它的用法，那说明安装正确，没问题。