为什么翻译声音听起来像机械音、太快或不像你

本文介绍音频翻译中的配音功能，视频翻译在单独的部分说明。所有配音选项均可在设置中更改：点击右上角的设置图标（滑块）并打开配音标签页。

快速排查：现象、原因与解决方法

大多数问题主要由两个原因导致：翻译由标准声音朗读，或者声音以自身的语速朗读翻译文本而未贴合原音频。

如果声音听起来像机械音或平淡生硬

机械音通常意味着翻译是由标准 ElevenLabs 或 OpenAI 声音朗读的。这些声音对所有人都是一样的，不会模仿原说话者。OpenAI 的声音设计本就偏中性。

• 打开配音标签页并在克隆下方选择一个选项：MiniMax（应用说明其音色和情感最准确）或 Qwen 3。然后再次点击播放。

• 若想获得最自然的效果，请选择 ElevenLabs Dubbing v2。它直接对原录音进行配音，保留其节奏和音色。价格为每秒 4.4 代币，因此一段一分钟的语音大约消耗 264 代币。

• 从带有音乐、街头噪音或多个声音的录音中生成的克隆听起来也会不自然。请使用前一分钟内仅有一人清晰说话的录音。

如果翻译太快或太慢

配音以声音本身的语速朗读翻译后的文本。它不会根据原音频的长度拉伸或压缩语音，因此翻译结束的时间可能早于或晚于原音频。

• MiniMax：在 MiniMax 区域打开设置并将语速调整至 1.0x 以下。调节范围为 0.5x 至 2.0x。

• Qwen 3：在说话风格中选择慢速。说话风格仅适用于从文件克隆，不适用于已保存的声音。

• ElevenLabs 和 OpenAI 的标准声音在音频翻译中没有语速设置。

• 若要贴合原音频的节奏，请选择 ElevenLabs Dubbing v2。

更改语速或风格后，再次点击播放。使用 MiniMax 时，对同一结果重复配音不会再次扣除 180 代币的克隆费用。

如果听起来不像你或原说话者

“从文件克隆”会复制录音中说话人的声音。如果效果听起来不像那个人，请按顺序排查以下原因。

1. 使用了标准声音。如果在“克隆声音？”弹窗中选择了使用 AI 声音（勾选不再询问后应用会一直保持此选择）、在设置中选择了 ElevenLabs 或 OpenAI，或者选择了任何克隆选项均不支持的语言，就会出现这种情况。请在“配音”标签页中选择 MiniMax 或 Qwen 3。

2. 录音时间太短：Qwen 3 至少需要 3 秒，MiniMax 至少需要 10 秒。时长不足时应用会使用标准声音，并提示“音频太短无法克隆声音，已使用标准声音”。

3. 克隆失败，应用提示“声音克隆当前不可用。已使用标准声音。”请稍后再次点击播放或选择 MiniMax。

4. 选择了已保存的声音而非录音中的声音。如果启用了我的 MiniMax 声音或我的 Qwen 声音，翻译将由该保存的声音朗读。请选择从文件克隆。

5. 前 60 秒杂音较多。MiniMax 和 Qwen 3 仅从文件的前一分钟提取声音。该段音频中的音乐、他人声音或嘈杂背景会降低克隆的相似度。

如果你想在别人的消息中使用自己的声音（例如用于回复），请在设置 → 我的声音中保存一次你的声音，并将其选为“我的 MiniMax 声音”或“我的 Qwen 声音”。有关优质样本的建议，请参阅获得最佳声音克隆效果的建议。

如果口音或方言错误

音频翻译无法设置口音或地区变体。语言列表中每种语言只有一个条目：葡萄牙语没有巴西或葡萄牙的选项，英语没有美式或英式的选项。

• 克隆声音会保留说话者的音色，通常也会保留其自身的口音。说英语的人在说葡萄牙语时通常听起来会有外国口音，即使翻译完全正确也是如此。

• 标准声音对每种语言都是相同的固定声音，且在音频翻译中无法挑选其他声音。

你可以采取的办法：

• 复制翻译内容，打开文本转语音，按语言和口音筛选并选择 ElevenLabs 声音。虽然这是别人的声音，但能提供你所需的读音。

• 对于视频，请使用视频翻译：其语言列表中包含地区变体，例如葡萄牙语（巴西）和英语（美国）。

如果缺少情感

MiniMax 和 Qwen 3 会复制声音的音色，但它们朗读的是翻译后的文本，因此每个短语的语调并非取自原音频。除非你进行设置，否则模型会根据文本自行决定语调。

• MiniMax：将情感设置为开心、悲伤、愤怒、害怕、惊讶、平静或厌恶。一种情感适用于整段翻译。自动（推荐）则交由模型自行决定。

• Qwen 3：说话风格可选平静、活力、友好、轻柔或专业。

• ElevenLabs Dubbing v2 基于原录音进行处理，能最贴近原音频的情感表达。

如果两个人的说话声变成同一种声音

在音频翻译中，除 Dubbing v2 外的所有选项都会用同一种声音朗读整段翻译。MiniMax 和 Qwen 3 会从文件开头提取并生成单个克隆，因此在一段对话中，两人都会被赋予基于录音前一分钟生成的同一种声音。

若要为每位说话者分配各自的声音，请选择 ElevenLabs Dubbing v2。它能识别说话者并分别为每个人克隆声音。

如果停顿没有保留

MiniMax、Qwen 3 和标准声音会将翻译作为一段连续的文本进行朗读，因此原音频中的长停顿会消失。音频翻译没有保留停顿的设置。ElevenLabs Dubbing v2 会按照原音频的时间线进行配音并保留节奏停顿。

在视频翻译中

视频翻译有独立的设置：在开始前，点击视频翻译右上角的设置图标。

• 单个人被配成了两种声音（例如男女声交替）：在使用 HeyGen 且说话者人数设置为“自动”时，HeyGen 会自行判定有多少人在说话，可能会识别出两个人。将“说话者人数”设置为 1 并重新翻译即可。

• 声音听起来像机械音或与原声差距很大：使用 HeyGen 时开启增强克隆（价格为两倍），或者选择 ElevenLabs，它会克隆每位说话者并保留其说话节奏。如果原音频嘈杂，请开启提升语音质量。

• 方言错误：在语言列表中选择地区变体，例如葡萄牙语（巴西）。

所有视频翻译选项均在视频翻译运作原理中有详细说明。

何时联系客服

如果上述方法都无法解决问题，请点击结果下方反馈区域中的对结果不满意？并描述你所听到的问题。该表单会附带此项任务信息，以便客服人员试听同一段录音。通用反馈表单位于 vocalingo.app/support。