Meta 推出语音模型 Voicebox：凭 2 秒音频克隆，还能像橡皮擦修杂音

录播客或者拍视频的人，大概都经历过这种崩溃瞬间：整段录音录得很完美，偏偏中间混进了一声汽车鸣笛，或者自己咬错了一个字。

以往遇到这种情况，要么老老实实重录一遍，要么在剪辑软件里痛苦地修修补补。Meta 最近拿出的语音生成模型 Voicebox，想解决的就是这种麻烦。

Meta 把它定义为一个通用的语音生成模型。它最厉害的地方在于，凭借类似大语言模型的上下文学习能力，不需要针对某个任务单独微调，就能直接处理剪辑、采样和声音风格迁移。

像用橡皮擦一样修音频

Voicebox 最直观的一个用法，是音频编辑和降噪。Meta 把它比作音频处理里的「橡皮擦」。

比如录音里有一段被狗叫声盖住了，或者你中间说错了一个词，你不需要把整段话重新念一遍。你只要把那两秒剪掉，让 Voicebox 根据前后的语调，重新把那句话补齐。

补出来的声音不仅内容对得上，连语气、语速和环境氛围都能保持一致，听起来就像是一口气录完的。

更夸张的是克隆门槛。Voicebox 只需要两秒钟的声音样本，就能抓准一个人的声音特征，然后用这个声音去读任意输入的文字。

让你用自己的声音说六门外语

除了常规的语音克隆，Voicebox 还支持跨语言风格迁移，目前覆盖了英语、法语、德语、西班牙语、波兰语和葡萄牙语这六种语言。

这意味着你哪怕完全不会法语，只要给它一段你平时的英语录音，再塞给它一段法文文本，它就能用你自己的音色和说话习惯，字正腔圆地把法语读出来。

此外，Meta 表示这个模型是用非常多样化的现实语料训练的，所以它生成的语音不会像传统语音助手那样带着浓浓的播音腔，而是更接近真人平时说话的口音、停顿和杂音细节。

未来 Meta 打算把它塞进虚拟助手的嘴里，或者给元宇宙里的 NPC 配音，甚至让视障人士听 AI 用朋友的原声朗读发来的文字信息。

为什么重要

对内容创作者和配音行业来说，这种技术的落地门槛非常低。两秒音频就能克隆，再加上无痕修音，视频后期补录台词的成本直接被打到了地板上。如果你平时做跨语种出海内容，以前找多语种外教配音的开销，未来可能几行文字就能搞定。

对行业而言，Voicebox 证明了大模型那套上下文学习的逻辑在语音领域同样行得通。语音合成正在从过去必须专门训练某个特定声音的定制模式，变成一种零样本、即插即用的通用能力，这会逼着现有的配音工具和 TTS 平台迅速重构底层架构。

我们认为 Meta 这一步切得非常精准，它没有把语音 AI 当成单纯的朗读机器，而是把它做成了类似图像修图一样的交互式工具。音频擦除和跨语言替换，直击真实工作流里的痛点。

不过隐患也同样明显。只要两秒音频就能高保真克隆一个人的声音，甚至还能让对方说出六种语言，这意味着声音防伪的防线几乎被彻底击穿。在深度伪造和电话诈骗横行的当下，这种技术在开放使用前，必须要拿出极其严格的鉴伪和水印方案，否则它惹出的麻烦可能比带来的便利还要多。