文章讲述了作者在剪映的新功能——AI音色克隆中发现的创新，以及这一功能对AI创业公司特别是语音合成领域的潜在影响。巨头如剪映介入，使得其他小型AI创业公司在面对巨头的竞争时面临巨大压力，除非能在技术上有显著优势或找到差异化定位。
昨天，我登录我的剪映，无意中看到一个新功能。
“克隆音色”
当你添加文本时，在“文本朗读”那个功能中，点击“我的”tab，就能看到这个功能了。
我问了下剪映的朋友，他们说，目前还在小规模测试中，大概只有10%的人能拿到这个功能的体验资格。月底可能会全量上线。
坦率讲，当我看到这个功能的那一刻，其实是心头一慌的。
不是为我自己而慌，毕竟我又不做产品。
我慌的是：AI声音这个赛道的创业者。
不管是过去的移动互联网时代，还是现在的AI时代，都有一个很灵魂拷问的问题是：
“当BAT/OpenAI，来下场干你的业务，你该怎么办”
尤记得去年11月OpenAI在召开开发者大会的时候，发布了一堆东西，直接全工具All in One。
也是在那一天，N多AI初创公司宣布进入死亡倒计时。
附我的GPT网站 http://ai.wydxda.ltd/
现在，当剪映这种巨头下场，把手伸到了AI，那，阁下该如何应对？
回过头来，说一下剪映这个AI音色克隆的使用和效果。
目前只有APP端有，路径就是我上面说的添加文本时，就能在“文本朗读”那个功能中。
不过我实在不习惯用APP，一直都是用的电脑端。就舔着老脸去找剪映的朋友化缘去了。
在过了几个小时之后。
于是，我就打开了我的剪映。
嘿嘿。
那两个声音，是我之前在手机上已经先克隆好的。
正常克隆声音，只需要点击那个+号。
在弹出的弹窗上，把他们给出的文案用你的声音读一遍，就OK了。
这步操作可能会跟大家想象的不太一样。
剪映的音色克隆，只能克隆自己声音的，而不能像一些现在市面上的开源项目一样，上传一段音频后，就能把那个人的声音克隆出来。
原因其实非常简单，隐私与风险。
你肯定不希望自己的声音漫天飞对吧，剪映的音色克隆对素材的需求量又非常低，5s基本就够了，如果放开的话，那真的随便复制。
出现这种情况，最开心的不是你我他，而是骗子。很容易就是你奶奶你妈妈的声音满天飞，然后跟你说：儿子哎，奶奶想买个LV，给奶奶打个2w块钱助力我一个老年梦好不。
所以剪映的这个方式也挺有意思的，必须是你用录制的方式，念出文本上的随机的话，还不能念错。
用这种方式，来证明你是你。
大概画5到10秒录制完成以后，你的声音就会出现在“我的”tab下面了。
在我体验过的5s数据音色克隆的项目中，目前剪映这个基本是最好的。
毕竟这玩意，看的还是底层声音大模型的质量，这个5s的录音数据，相当于一个小的prompt，来给这个声音大模型做一个提示。而剪映的这个声音大模型，确实有点东西，音色基本一致，在情感、断句上，有一点平，但是问题也不大。
熟悉豆包的朋友估计都能看出来，剪映这个AI音色克隆，跟豆包那个克隆，背后的大模型应该是一摸一样的。
但是豆包的用户体量肯定没法跟剪映比，豆包更像是技术的试验田，实验成熟之后，开始给剪映这种超级产品赋能。
一上来，就是个成熟度极高的王炸。
对于剪映来说，核心目的当然是为创作者提供体验最好的产品，理论上，现在市面上80%的AI工具，都是跟剪映的产品定位完全契合。
现在只是一个AI音色克隆。
那如果类似heygen的5分钟视频生成数字人，AI数字人定制剪映也做进去了呢？
如果D-ID那种照片说话剪映也做进去了呢？
如果AI唱歌剪映也做进去了呢？
如果…
一将功成万骨枯。
工作流的影响是巨大的，迁移成本极高。试问，在效果差不多的情况下，谁还去用别家的音色克隆产品？剪映的生态、粘性、用户体验、产品成熟度实在太恐怖了。
不过他们毕竟体量在这，要照顾大众需求，所以一定不会做的非常专业，那卷专业方向的可能还跟他们暂时碰不到一块，比如出门问问的魔音工坊，在情绪表达和可控性上能碾压剪映，用户群里也是更为专业的配音或自媒体从业者。
但是，AI创业公司，如果也想做AI声音这块的大众需求，那可能就日子不太好过了。
毕竟跟你竞争的，不是同咖位的竞品，而是剪映这样的巨兽。除非避开它的发力方向，或者直接在技术上把剪映拉开代差，那还有得一战。
要不然，就可能像被OpenAI锤懵的一些AI初创公司一样，陷入慢性死亡…
3779
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
