声音克隆(voice cloning)是一种语音合成技术,基于特定人物的语音样本再现其音色、语调和说话方式。由于克隆后的声音可以朗读任意文本,它被视为文本转语音(text-to-speech,TTS)的一个分支。早期系统需要数小时的录音并为每位说话人单独训练模型,随着基于深度学习的语音合成模型发展,仅凭几秒到几十秒的样本即可克隆声音的零样本方式已成为主流。
声音克隆应用于视频旁白、配音、有声书、语音助手,以及为因病失声者提供的辅助技术等。未经本人同意克隆声音可能被用于欺诈或虚假信息,因此说话人同意验证、合成语音标识等安全措施也与该技术一同受到讨论。