用百灵 Ming-3.0-TTS 克隆声音，让西游记角色录播客

给孙悟空一段约 10 秒的声音，再给他一份新剧本，他会怎么回答：

“大闹天宫之后，你成了斗战胜佛。你觉得自己是赢了，还是被收服了？”

我用百灵 Ming-3.0-TTS 做了一次实验，把《西游记》里的六位角色请来录播客。

大圣回答：“要是有一天，天上再压下来一座五行山，山底下换成别的妖怪，你们要俺站在哪一边？”

唐僧想问，为什么取完经还要补上一难；牛魔王想问，救人能不能成为钻进别人肚子里的理由；小妖则开始怀疑，自己亲眼看见的天是不是真的。

声音是怎么做的？

我先给每个角色剪了约 10 秒参考音频，再输入自己写的台词，用 Ming-3.0-TTS-0.5B 分别合成他们的回答。主持人的提问也用了我的声音参考。最后把各段音频剪在一起，做成了这期多角色播客。

这次实际用到的能力是参考音色克隆：同一个模型可以根据不同的声音参考，生成不同角色的新台词。视频里的采访和对白都是虚构的，角色声音与主持人声音也都是合成的。

实际做下来也需要反复挑：有些句子出现漏读或循环，我把它们拆开重生成，再挑合适的片段拼接。现在听到的效果，是模型生成加后期剪辑共同完成的。

除了音色克隆，Ming-3.0-TTS 已开源，官方还提供根据文字设计声音、多语言和语音表达控制等能力；这几项我这次没有逐项测试。

有了声音参考和剧本，原本只在脑海里的角色，就可以坐下来和你聊一聊。

模型与用法：https://github.com/inclusionAI/Ming-3.0-tts