把孩子的睡前故事做成有声书：免费TTS试了一周，我踩了参考音频的坑
上周三晚上九点半，我女儿抱着《月亮不见了》站在床边，说：爸爸，今天能不能让手机讲，你嗓子都哑了。
我嗓子确实哑了，连续讲了半个月，扁桃体在抗议。于是我想，行吧，试试文字转语音。
第一次的成品……怎么说呢。她听了两秒，把手机推回给我：「这不是你。」
那是我的声音，但不是。像是我在念一份会议纪要，还是隔着口罩念的。
问题不在工具，在那段参考音频
我一开始用的是某款要注册、要绑手机的免费文字转语音工具。上传了一段微信语音当参考，三十秒，我说的是「喂，那个方案明天再看一下」。结果合成出来的声音，字正腔圆，感情为零，像一个刚上完播音培训班的实习生。
后来我才反应过来：微信语音是压缩过的，采样率低，还有回声和电流声。你拿这样的素材去喂模型，等于拿一张糊了的照片让人画肖像。
这大概是内行和路人最大的差别——大家盯着模型参数看，其实决定成败的是那三十秒。
我换成 免费声音克隆 之后重录了一遍参考音频，同一个模型，出来的东西完全两回事。
参考音频怎么录，才不像机器人
免费TTS声音合成这件事，我原以为门槛在模型，后来发现门槛在素材。这段我想说细一点，因为我自己返工了四次。
别在客厅录。 客厅有冰箱的嗡嗡声、窗外的车声，人耳会自动过滤，麦克风不会。我后来是钻进衣柜里录的——衣服吸音，效果出奇地好。没衣柜就用被子搭个窝，手机塞里面。
十五到三十秒，别贪多。 太短，模型抓不住你的音色特征；太长，中间任何一次咳嗽、一次翻页都会被学进去。我有一次录了快两分钟，结果合成的时候，每句话结尾都带一点我清嗓子的气声。诡异得很。
内容别念稿子。 这点最反直觉。你一本正经念「床前明月光」，出来的就是播音腔。要说日常话，比如「今天想吃什么呀，冰箱里还有半盒草莓，不吃就坏了」。语速正常，带点情绪，甚至可以笑一下。模型学的是你怎么说话，不是你怎么朗读。
麦克风离一拳远，斜着四十五度。 别贴嘴，会喷麦；别太远，会收进房间的反射声。
一次录三段，挑最好的。 听起来麻烦，其实五分钟的事。我现在的习惯是蹲在衣柜里连着说三段不同的话，然后回放挑一段最像「平时讲故事的我」的。
还有个细节：录之前喝口温水，别喝冰的。嗓子紧的时候声音会发飘，这个也会被学进去。
顺便说，我这一周用的 在线文字转语音 是免注册的，打开就能用。免注册声音合成对我这种懒得填表、懒得验证邮箱的人太友好了——我试过别的平台，注册流程走到一半就放弃了。免注册声音在线克隆这一点，我一开始没觉得多重要，直到我朋友想用，她连注册都嫌烦。而且它说是永久免费声音克隆，我用下来确实没撞到额度墙，无限制文字转语音这点对做长故事的人特别关键，一本绘本两三千字，限字数的工具根本不够用。
我这一周的实际流程
周一晚上，我把家里那摞绘本挑了三本，敲进记事本。敲的时候顺手做了几件事：
- 把阿拉伯数字改成中文读法，「3只小猪」写成「三只小猪」，不然它会念成 three
- 长句断开，逗号句号按呼吸的位置标，标点就是停顿
- 生僻字和多音字先查一遍，「长」和「重」这种，错了孩子会立刻纠正你
然后合成，试听，不满意就回去改标点。前两晚挺折腾的，第三晚开始就顺了——因为参考音频定下来了，剩下的只是文本活。AI声音克隆在线跑一次也就几秒，真正花时间的是改稿子。
说真的，真人语音合成免费这件事，两年前我是不信的。当时觉得要么是试用三天，要么是音质糊成一片。现在免费AI配音能做到这个程度，多少有点超出预期。我甚至想过，等孩子再大点，用它接个免费语音合成API，做成一个自动读故事的机器人……不过那是另一个坑了，先不挖。
对了，中间我踩过一个雷：某平台宣传声音克隆软件免费，结果免费版只能合成一分钟，超了就排队。我合成到一半被卡住，孩子在旁边等，那场面挺尴尬。所以选工具的时候，先看清楚是不是真的不限额。在线免费声音克隆的平台不少，但大多数会在某个地方设卡。
FAQ：几个被问得最多的问题
参考音频要录多长才够？
十五到三十秒。我的经验是二十秒左右最稳。少于十秒，音色容易飘；超过一分钟，噪声混进去的概率直线上升。如果实在找不到安静的地方，宁可选短一点、干净一点的片段。
手机自带的麦克风够用吗？
够。我用的是三年前的手机，录出来的效果我自己听不出跟外接麦的差别。关键在环境，不在设备。你在衣柜里用手机录，比在客厅用专业麦录，结果大概率更好。
孩子的声音能克隆吗？想做一个「自己给自己讲故事」的版本
技术上可以，但我不建议。一是孩子的发声还在变化，音色不稳定，参考音频质量难保证；二是……怎么说呢，让小孩听一个「自己的声音」讲故事，感觉有点怪。我更愿意用我自己的声音，哪怕它不完美。
如果你想先看看别人怎么折腾，更多教程 里有一些案例，我翻了几篇，踩坑清单写得挺实在。
写到这儿
我现在的做法是：周日晚上花二十分钟，把下周要讲的五本绘本合成好，存进一个文件夹。孩子想听哪本，自己点。我嗓子好的时候还是会亲自讲——机器替代不了那个。
但至少，扁桃体发炎的晚上，故事不会断。
如果你也想试，别一上来就折腾长文本。先录二十秒参考音频，随便合成一句话，听听像不像你自己。像了，再往下走；不像，回衣柜重录。这一步花不了十分钟，但它决定了后面所有事情。