想用自己的聲音做 AI 配音，該選哪個？｜Qwen3-TTS、Breeze-TTS-2、Gemini 克隆實測，台灣口音與混出新聲音的差別

先講結論：只是克隆一個人的聲音，中國跟台灣的模型都很自然。想把兩個聲音混成新聲音，問題就來了。

• 我試了阿里巴巴的 Qwen3-TTS 跟聯發科的 Breeze-TTS-2，單純克隆時，台灣人說話的語氣都留得住。
• Qwen3-TTS 可以混，但聲音一出來就帶中國口音；Breeze-TTS-2 台灣口音很自然，但沒有混音功能，只能克隆。
• 要台灣口音就單純克隆；想要好聽的新聲音，還是去找聲音好聽的人，請他授權給你做。

一、AI 聲音克隆方案比較：五個實測、兩個只查價格

這週我為了幫影片配旁白，前後試了五個能克隆聲音的做法，另外查了兩個沒試的。測試的電腦是 Mac mini（M2 Pro、16GB）。

二、免費在自己電腦克隆聲音：準備一段 15～20 秒的錄音

表格前四個是開源模型，我是看到 GitHub 上很紅的 VoiceStudio 才去試的。VoiceStudio 把好幾個開源聲音模型裝在一起，我沒裝它的 App，直接讓 Claude Code 把它用的模型裝在我的 Mac 上跑。在自己電腦跑，免費，不用錄同意句。

要準備的：

• 一段安靜的 15～20 秒錄音，加上這段話的逐字稿。錄影也行，我是從上課錄影裡剪出來的。
• 第一次要先下載模型，每個約 2～3 分鐘。

小提醒：同一個人換不同段落，像不像差很多。我從同一支上課錄影剪了五段，每段念出來像不像都不一樣，多剪兩三段都試一次再挑。

想用更長的錄音：要走訓練

聽一下就模仿的模型，只吃 20 秒左右的錄音。想用 5 分鐘以上的錄音，要走訓練，例如 GPT-SoVITS。訓練要租雲端 GPU，我查到 Colab 有官方範本，一次約台幣 10～60 元，還沒租。

三、雲端的 Gemini 克隆：同意句要跟參考音一起錄

Google 的 Gemini 語音合成也可以克隆聲音，在雲端跑，不佔自己電腦，一分鐘不到台幣 1 元。但它要你交兩段錄音：一段是你平常說話的參考音，一段是同意句，證明是本人。

• 同意句要念英文版。我念中文版被退件，說念的句子對不上；改念英文版就通過了。
• 我想用上課錄影當參考音，配上在家錄的同意句，被判成不是同一個人。同一份在家錄的原檔重送就成功。所以同意句跟參考音，最好同一次、用同一支麥克風錄。

同意句原文：一字不差照念

這是 Google 指定的句子，要念英文版：

I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.

這段英文的意思是：「我是此聲音的擁有者並授權谷歌使用此聲音創建語音合成模型。」

這是英文教學喔，可以跟著念練習：

🔊 朵拉正常速度：

🐢 朵拉慢慢念（跟讀用）：

四、想把兩個聲音混成新聲音：為什麼會帶中國口音

我想把兩個聲音混成一個新角色的聲音，試了好幾組。

• Qwen3-TTS 會把一段聲音轉成一組數字，可以把兩組數字照比例混，七成加三成就是一個新聲音。但它重新計算之後，聲音一出來就帶中國口音。
• Breeze-TTS-2 台灣口音很自然，但它是聽一段參考音照著模仿，沒有那組可以混的數字，只能克隆。

我試過先用 Qwen 混，再丟給 Breeze 重念一次。口音是回來了，但聽起來還是不夠自然。下面是同一組混音（AI 角色朵拉七成、萊卡三成），兩種做法各一段：

五、我的建議：要台灣口音就單純克隆

要台灣口音就單純克隆；想要好聽的新聲音，還是去找聲音好聽的人，請他授權給你做。

小提醒：稿子裡的「角色」兩個字，AI 常念成 jué sè，台灣念腳色，直接寫「腳色」就好。

六、可以直接貼給 Claude Code 的一段話

Claude Code 是 Claude 的一種用法，要付費訂閱 Claude 才能用，它可以直接在你的電腦上裝程式、跑程式。把錄音檔放進一個資料夾，在那個資料夾開 Claude Code，貼這段（括號換成你自己的）：

幫我在這台 Mac 裝 mlx-audio
用 Breeze-TTS-2 和 Qwen3-TTS 克隆我的聲音
參考音是這個資料夾裡的（你的錄音檔名）
它念的內容是：（貼上逐字稿）
兩個模型各念同一句給我聽 放在一起讓我比較
Qwen 要設長度上限 免得念到停不下來