Meta 推出語音模型 Voicebox：憑 2 秒音訊克隆，還能像橡皮擦修雜音

錄播客或者拍影片的人，大概都經歷過這種崩潰瞬間：整段錄音錄得很完美，偏偏中間混進了一聲汽車鳴笛，或者自己咬錯了一個字。

以往遇到這種情況，要麼老老實實重錄一遍，要麼在剪輯軟體裡痛苦地修修補補。Meta 最近拿出的語音生成模型 Voicebox，想解決的就是這種麻煩。

Meta 把它定義為一個通用的語音生成模型。它最厲害的地方在於，憑藉類似大語言模型的上下文學習能力，不需要針對某個任務單獨微調，就能直接處理剪輯、取樣和聲音風格遷移。

像用橡皮擦一樣修音訊

Voicebox 最直觀的一個用法，是音訊編輯和降噪。Meta 把它比作音訊處理裡的「橡皮擦」。

比如錄音裡有一段被狗叫聲蓋住了，或者你中間說錯了一個詞，你不需要把整段話重新念一遍。你只要把那兩秒剪掉，讓 Voicebox 根據前後的語調，重新把那句話補齊。

補出來的聲音不僅內容對得上，連語氣、語速和環境氛圍都能保持一致，聽起來就像是一口氣錄完的。

更誇張的是克隆門檻。Voicebox 只需要兩秒鐘的聲音樣本，就能抓準一個人的聲音特徵，然後用這個聲音去讀任意輸入的文字。

讓你用自己的聲音說六門外語

除了常規的語音克隆，Voicebox 還支援跨語言風格遷移，目前覆蓋了英語、法語、德語、西班牙語、波蘭語和葡萄牙語這六種語言。

這意味著你哪怕完全不會法語，只要給它一段你平時的英語錄音，再塞給它一段法文文本，它就能用你自己的音色和說話習慣，字正腔圓地把法語讀出來。

此外，Meta 表示這個模型是用非常多樣化的現實語料訓練的，所以它生成的語音不會像傳統語音助手那樣帶著濃濃的播音腔，而是更接近真人平時說話的口音、停頓和雜音細節。

未來 Meta 打算把它塞進虛擬助手的嘴裡，或者給元宇宙裡的 NPC 配音，甚至讓視障人士聽 AI 用朋友的原聲朗讀發來的文字資訊。

為什麼重要

對內容創作者和配音行業來說，這種技術的落地門檻非常低。兩秒音訊就能克隆，再加上無痕修音，影片後期補錄臺詞的成本直接被打到了地板上。如果你平時做跨語種出海內容，以前找多語種外教配音的開銷，未來可能幾行文字就能搞定。

對行業而言，Voicebox 證明了大模型那套上下文學習的邏輯在語音領域同樣行得通。語音合成正在從過去必須專門訓練某個特定聲音的定製模式，變成一種零樣本、即插即用的通用能力，這會逼著現有的配音工具和 TTS 平臺迅速重構底層架構。

我們認為 Meta 這一步切得非常精準，它沒有把語音 AI 當成單純的朗讀機器，而是把它做成了類似影像修圖一樣的互動式工具。音訊擦除和跨語言替換，直擊真實工作流裡的痛點。

不過隱患也同樣明顯。只要兩秒音訊就能高保真克隆一個人的聲音，甚至還能讓對方說出六種語言，這意味著聲音防偽的防線幾乎被徹底擊穿。在深度偽造和電話詐騙橫行的當下，這種技術在開放使用前，必須要拿出極其嚴格的鑑偽和水印方案，否則它惹出的麻煩可能比帶來的便利還要多。