#5. 语音

#功能介绍

海螺AI的语音创作功能由 MiniMax Audio 提供技术支持，集成了 MiniMax Speech 2.8-hd 高清语音合成模型与 Music-2.5+ 音乐创作模型。整个语音模块分为两大板块：AI生成（语音合成、音乐创作）和AI工具（音色设计、声音克隆、人声提取），五大功能覆盖从内容创作到音频处理的完整链路。

语音合成（AI生成）

将文字输入后，选择喜欢的音色，一键生成高质量语音。支持在文字中插入「情绪标签」（如[开心]、[悲伤]、[惊讶]）、「停顿标签」（如<#1.0#>表示停顿1秒）和「语气词标签」（如[嗯]、[哦]），实现对语音情感和节奏的精细控制。

音乐创作（AI生成）

输入歌词和音乐风格描述，AI即可生成完整的AI原创歌曲；也可选择「纯音乐」模式，根据风格描述生成无人声背景音乐，适用于视频配乐、短视频BGM等场景。

音色设计（AI工具）

通过文字描述来"定制"一个专属音色，例如"讲述悬疑故事的播音员，声音低沉富有磁性，语速时快时慢，营造紧张神秘的氛围"，系统会据此生成专属音色并可保存至音色库供后续使用。

声音克隆（AI工具）

朗读一段指定文字，即可完整克隆你自己的声音，并将其用于后续文字转语音任务。开始录音即表示你已取得声音授权。克隆完成的音色可在「音色库 → 我的音色」中使用。

人声提取（AI工具）

上传含有环境噪音或背景音乐的音频/视频文件，AI会自动去除环境音和背景噪声，提取并增强原始人声的清晰度与纯净度。支持最大500MB、时长不超过300秒的文件。

💡提示：使用语音功能需要登录MiniMax语音账号。

#语音合成

点击左侧边栏「音频」，或直接访问 MiniMax Audio。

点击左侧「语音合成」，在文本输入区输入需要合成的文字（最多5000字符，开启「长文模式」后支持更多，但等到时间更久）。

还可以点击下方的「停顿」和「语气词」按钮，在光标的位置添加停顿时间和语气词。

框选文本后还可以设置朗读文字的情感。

右侧边栏可以设置音色、语速、声调、音量。用户可以自行搭配。最后选择模型，设置成完成后点击「生成音频」即可。

生成效果展示。

使用技巧

• 长文稿建议分段合成：将长文按自然段或情绪转折点切分，每段单独生成后在剪辑软件中拼接，这样可以对每段单独调整音色和语速，整体效果更自然。
• 情绪标签嵌入技巧：在对话或旁白中插入情绪标签时，建议将标签紧贴对应文字，如「他激动地喊道[激动]：我终于做到了！」比放在句首效果更精准。
• 利用停顿标签控制节奏：在新闻播报、广告配音场景中，用<#0.5#>（半秒停顿）隔开不同语句，可以让语音听起来更从容专业，避免语速过快连成一片。
• 同一段文字尝试多个音色：不同音色对同一段文字的诠释差异很大，建议先用2-3个候选音色各生成一次，对比后再决定最终方案。
• 语速和声调微调：语速调至0.85-0.95之间通常比默认1.0更具亲切感，适合情感类内容；新闻、解说类内容可保持1.0或调至1.05，显得干练利落。

示例一

场景：为短视频制作情感旁白配音
文本内容：那一年夏天<#0.8#>，阳光还很好[平静]。
她坐在海边<#0.5#>，看着远处的帆船发呆。
没有人知道她在想什么[若有所思]，但所有人都看出来了<#0.3#>——她在想一个人。
音色选择：温柔女声（如"温柔小姐姐"）
语速设置：0.9，声调略降

示例二

场景：企业宣传片解说词配音
文本内容：[沉稳]2024年，我们交出了一份令人骄傲的成绩单。<#1.0#>
营收同比增长37%<#0.5#>，用户规模突破一千万大关。<#0.8#>
这背后，是每一位团队成员不懈努力的结果。
音色选择：沉稳高管（低沉厚实、磁性十足）
语速设置：0.95，音量适当提高

#音乐创作

点击左侧「音乐创作」进入创作界面，填写歌曲名（可选填），完整歌词（最多3500字符）和音乐风格。

如果不想写歌词，点击「纯音乐」按钮即可。

设置生成数量后，选择创作模型。点击「创作」按钮即可。

生成效果展示。

使用技巧

• 风格描述越具体，效果越好：不要只写"流行音乐"，而是写"抒情流行，女声，钢琴+弦乐编曲，节拍偏慢，适合睡前聆听"，这样AI对风格的把握会更准确。
• 纯音乐模式适合视频配乐：如果需要视频BGM，选择「纯音乐」模式并描述画面的情绪和节奏，例如"轻快活泼的背景音乐，适合美食探店视频，有清脆的吉他和手鼓节奏"。
• 同一歌词生成多次：同一套歌词每次生成的旋律都不同，建议设置生成数量为2-4首，从中挑选最满意的旋律版本。
• 歌词分节技巧：歌词中用空行分隔主歌、副歌和过渡段，有助于AI理解歌曲结构，生成的音乐段落感会更清晰。

示例一

场景：为短视频生成抒情BGM
模式：纯音乐
风格描述：轻柔治愈的钢琴曲，带有轻微的弦乐点缀，节奏舒缓，适合记录日常生活的Vlog，有一种温暖的午后感
生成数量：4首（从中挑选最满意的）

示例二

场景：创作一首完整的流行歌曲
歌曲名：《路过的风》
歌词片段：
（主歌）
路过的风，带走了你的名字
窗外的树，还是那年的样子
...
（副歌）
我在原地，等你回头看一眼
那些说好的将来，成了烟
风格描述：华语流行，男声，吉他+钢琴为主，情绪是淡淡的忧伤与释然

#音色设计

点击左侧「音色设计」进入设计页面。

描述想要的音色或选择下方预设的模板。然后点击「自动生成」。

自动生成完成后在「试听文本」输入框会生成一段试听文本，点击下方「生成」即可试听。

选择满意的音色，点击「确认选择」。

设置音色的名称，性别，和语言。点击「保存音色」即可。

保存好的音色可在「音色库」>「我的音色」中找到。

使用技巧

• 音色描述要包含声音特征、说话风格和使用场景三个维度，这样设计出的音色与预期最接近。例如：「一位30岁左右的男性，声音低沉且有磁性，说话沉稳不急促，适合商业纪录片解说」。
• 多次生成对比：点击「自动生成」可以生成多个版本的音色描述，再逐一试听，从中选择最贴合需求的版本。
• 保存命名规范：建议给自定义音色起一个有意义的名字（如"悬疑男声-低沉版"、"活泼女声-清脆版"），方便后续创作时快速找到对应音色。
• 设计好的音色可直接用于「语音合成」：保存后的自定义音色会出现在语音合成的音色列表中，可直接调用，实现专属声音批量输出。

示例一

音色描述：一位40岁左右的男性，声音厚重而低沉，语气严肃且权威，略带沧桑感，适合历史纪录片的旁白解说，让人感觉岁月的积淀
适用场景：历史、军事类纪录片解说

示例二

音色描述：一位25岁左右的活力女孩，声音清脆明亮，语速偏快，充满热情和感染力，像在和好朋友分享一件超级有趣的事情，适合美妆、美食探店类短视频
适用场景：生活方式类短视频配音

#声音克隆

点击左侧边栏「声音克隆」进入页面。

选择朗读场景，系统会提供对应的朗读文本。

点击录音按钮开始朗读（建议在安静环境下进行）。

录制完成后，在下方选择试听的语言和文本，点击右下角「生成」。

生成完成后点击播放键即可试听克隆的音色。没问题后点击右下角确认即可保存。

使用技巧

• 录音环境至关重要：选择安静的室内环境，关闭风扇、空调等噪音源，距离麦克风15-20cm正面朗读，效果最佳。录音时避免手机通知干扰，建议开启勿扰模式。
• 朗读时保持自然状态：不要刻意表演或"播音腔"，用日常说话的节奏和语调朗读指定文本，这样克隆出的音色在后续合成时会更加自然。
• 录制多个场景版本：平台提供多种朗读场景（如"新闻播报"、"情感旁白"等），建议选择与自己实际使用场景最接近的，克隆效果会更对口。
• 克隆后先用短文测试：保存克隆音色后，先用一段简短的测试文字生成音频，听一听效果，确认与本人声音的相似度后再大量使用。

示例一

场景：内容创作者克隆自己的声音用于大量视频解说配音
操作步骤：
1. 选择"新闻资讯"场景朗读文本（共约200字）
2. 在安静的录音棚或密闭小房间中录制
3. 克隆完成后，用一段视频脚本测试效果
4. 确认满意后，将克隆音色应用于后续所有解说配音任务
优势：一次录音，无限复用，节省大量重复录音时间

示例二

场景：教育博主批量生成课程讲解音频
操作步骤：
1. 用"知识讲解"场景录制克隆样本
2. 将课程文稿分段输入「语音合成」，选择克隆好的自己的音色
3. 批量生成每节课的配音文件，直接在视频剪辑中使用
优势：保持个人声音的一致性，观众接受度更高

#人声提取

点击左侧边栏「人声提取」进入页面，点击「上传音频」或「开始录音」，添加需要处理的音频/视频文件。

上传成功后点击「提取人声」。

等待AI处理完成，下载提取后的干净人声文件即可。

使用技巧

• 支持上传音频或视频文件：既可以上传MP3、WAV等纯音频文件，也可以直接上传含有人声的视频文件（如录制的采访视频），系统会自动处理并提取干净人声。
• 文件大小和时长限制：单次上传文件最大500MB，时长不超过300秒。若原始文件较长，建议先在剪辑软件中裁切到目标片段再上传处理。
• 提取后的人声可直接用于声音克隆：如果想克隆某人的声音但没有干净的录音素材，可以先用人声提取功能处理带背景音的视频，再将提取的干净人声用于声音克隆（注意遵守平台规定，仅限处理已获授权的声音）。
• 适合处理户外采访和会议录音：户外拍摄或会议室录音通常夹杂大量环境噪音，人声提取功能可以有效净化这些素材，让后期配音和字幕工作更顺畅。

示例一

场景：处理户外采访视频，提取干净人声用于视频剪辑
操作步骤：
1. 上传户外采访的视频文件（含风噪、环境音）
2. 点击「提取人声」，等待处理完成（通常约30秒-1分钟）
3. 下载提取后的干净人声WAV文件
4. 在剪辑软件（如剪映、Premiere）中用提取的人声替换原始音轨
预期效果：人声清晰度和纯净度大幅提升，风声、车声等背景噪音消除

示例二

场景：为翻唱/配音项目提取参考人声
操作步骤：
1. 上传原版歌曲或带背景音乐的原声视频
2. 提取出干净的人声轨道，作为翻唱参考
3. 或提取人声后结合「声音克隆」功能，实现个性化声音替换
注意：仅限用于个人学习与参考，商业用途请确认版权授权情况

#进阶创作思路

语音功能与平台其他功能结合，可以解锁更多创作可能：

方案一：语音合成 + 视频生成，制作完整配音视频。先在「创作视频」中生成视频片段，再在「语音合成」中根据视频时长和节奏生成配音（注意控制语音时长与视频时长匹配），最后在剪辑软件中合轨，即可得到有画有声的完整短视频。

方案二：音色设计 + 大批量内容生产。如果需要为多个系列视频制作配音，先通过「音色设计」定制一个专属品牌音色，再批量将文稿输入「语音合成」，以这个固定音色生成所有配音文件，有效建立内容的声音品牌识别度。

方案三：人声提取 + 声音克隆，打造个性化声音素材库。如果你有一些录制较早、质量不稳定的历史音频，可以先用「人声提取」清洗音质，再结合「声音克隆」重建更清晰的克隆音色，让旧内容也能焕发新生。