语音对话、转文字、合成声音和声音克隆分别是什么

语音功能看起来都在“听”和“说”，用途却不一样：有的让你直接跟 AI 对话，有的把录音变成文字，有的把文字读出来，还有的会模仿某个人的声音。

先看清输入和输出，就能选对功能，也知道什么时候该核对文字、保护录音或确认声音授权。

下载AI声音功能练习包，里面有虚构原文、转写结果和功能判断题；不含系统声音文件。

先按输入和输出分清楚

语音对话是一个交互方式。不同产品可能先把你的话转成文字再回答，也可能直接处理声音并用声音回复；具体模式和入口要以你使用的产品当前说明为准。ChatGPT Voice 的官方说明也将语音对话与单独的听写转文字功能区分开来。

用一则通知试着判断

假设你手里有一句虚构通知：“清河社区读书会周六下午两点开始，地点在河畔图书馆二楼二号会议室。”

• 想用说话的方式继续问 AI“帮我改得更简短”，选语音对话。
• 手机里已经有一段通知录音，想拿到可复制的文字，选语音转文字。核对人名、地点、日期和数字，识别结果可能听错。
• 已经有校对好的文字，想让设备读出来，选文字转语音。输入是文字，输出是音频；它不会自动替你核实原文。
• 想让一段新稿听起来像某位真实的人，才涉及声音克隆。先取得说话人的明确授权，并遵守服务的验证和使用规则。

转写和合成的输入输出方向相反：录音 → 文字是转写；文字 → 音频是合成。声音克隆是合成声音的一种做法，会尝试保留某个说话人的音色特征。它生成的句子可能是这个人从未说过的，所以不能把克隆音频当作本人真实发言。ElevenLabs 的声音克隆说明也解释了这一点，并说明克隆声音需要相应授权。

听一段样音，再看转写结果

本次实测用一段 7 秒多的虚构中文样音完成转写核对。它由 macOS 自带的 Tingting 系统声音朗读上面的句子，再转成单声道 WAV；这只是系统朗读，不是声音克隆，也不代表云端语音产品的效果。音频只保留在本机用于实测，公开练习包不含这段声音。Apple 的软件许可协议对系统声音的使用和再分发有限制；自己练习时，请使用你有权处理和分享的音频。

我用本机 FunASR 1.4.16 的 paraformer-zh 模型转写这段音频。输出保留了读出的句子和标点，与输入文字一致。你可以先听样音，再打开附带的字幕文件核对。

这次样音干净、只有一位合成说话人，不能据此推断会议录音的准确率。真人录音里的口音、噪声、多人抢话、专有名词和相近数字都可能造成错误。重要内容要回听原音，不能只看转写稿。OpenAI 的语音转文字指南同样把录音转写作为单独任务介绍。

什么时候需要声音克隆

普通朗读一般用内置合成声音就够了。克隆声音会让合成结果更接近某位说话人，但涉及声音身份和授权。只使用自己或已获得明确许可的声音；不要把别人的公开录音当作授权，也不要制作会让听众误以为本人亲自说过某句话的内容。

如果要公开发布合成语音，还要查看所用产品的披露规则和平台要求。例如，OpenAI 的文字转语音指南要求向听众清楚说明听到的是 AI 生成的声音；其他服务的规则可能不同。

完成检查

• 能说清每项功能的输入和输出。
• 不把转写稿当成录音原文，名字、日期和数字需要回听核对。
• 不把普通系统朗读说成声音克隆；声音克隆只用于有授权的声音。
• 公开发布时，检查产品和平台对 AI 合成声音的说明要求。

练习包里保存了虚构文本、转写字幕、功能判断题和本次核对记录，不包含系统合成的音频文件。想继续了解读图、文件等功能，可看《聊天、搜索、思考、看图和上传文件这些功能怎么理解》；想把录音整理成稿件，可看《播客录音怎么整理成文章？先转写，再核数字和嘉宾原话》。