前言

做短视频的朋友都懂，配音是绕不开的一环。

自己录音环境嘈杂、改稿后还得重录，外包成本又高。

AI 配音成熟得很快，但工具太多不知道选哪个。

这篇文章挑了 5 款有代表性的，逐一拆解核心亮点。

5款工具速览

剪映：短视频配音的第一选择

如果你拍短视频，大概率已经在用剪映。

它的 AI 配音藏在字幕编辑旁边，选中文本点文本朗读就能生成。

语音和字幕自动对齐，热门音色如解说男声需要 VIP，基础免费音色日常够用。

功能上只做配音，没有声音克隆和多语言，但配个旁白足够了。

VoxCPM：开源 TTS 的技术标杆

VoxCPM 是面壁智能（OpenBMB）的开源模型，VoxCPM2 有 2B 参数，免分词器架构直接生成 48kHz 录音室级音频。

最有意思的是音色设计功能，不需要参考音频，用自然语言描述就能创造声音。

比如写一句一个低沉、沉稳的男声，模型就能生成对应音色。

支持 30 种语言和 9 种方言，声音克隆分可控模式和极致模式，后者需提供参考文本，相似度更高。

pip install voxcpm 就能上手，适合需要本地部署、对隐私有要求的用户。

MiniMax Audio：情感控制的天花板

MiniMax 的 Speech-02 HD 曾在 Artificial Analysis 全球 TTS 评测中登顶第一。

你可以指定 8 种情绪：高兴、悲伤、愤怒、害怕、厌恶、惊讶、平静、低语，系统自动优化语调、停顿和节奏。

声音克隆只需 10 秒录音，支持 30 多种语言。

免费版每月 10000 点数，Starter 计划每月 5 美元。

适合对情感表达要求高的播客和有声书创作者。

IndexTTS-2：为视频配音而生

IndexTTS-2 是 B 站 Index 团队在 2025 年 9 月开源的零样本 TTS 系统。

它的核心创新点非常明确：时长控制。

传统自回归 TTS 逐个 token 生成语音，没法预先设定生成时长。

IndexTTS-2 首次在自回归架构中引入时间编码机制，可以精确控制语音长度。

这对视频配音来说是刚需：画面已经定好，配音多一秒少一秒都是问题。

它还实现了情感和音色的解耦。

这意味着你可以用 A 的音色说 B 的情绪，在影视二创里很实用。

情感控制有三种方式：传一段情感参考音频、用 8 维情感向量微调、或者直接写文字描述。

文字控制基于 Qwen3 的软指令机制，写一句压抑已久最终爆发的愤怒，模型就能理解。

支持 8 种预设情绪：高兴、愤怒、悲伤、害怕、厌恶、忧郁、惊讶、平静。

中文场景做了专项优化，支持字符与拼音混合建模，多音字可以用拼音精确指定。

本地可用消费级显卡部署加 WebUI，适合对时间轴精度有要求的专业制作。

青萍AI语音：全模态创作的音频拼图

它其实是青萍创作者平台的音频模块，定位不止于配音工具。

青萍之前已经覆盖 AI 生图和 AI 生视频，加上音频后，创作者可以在一个平台上完成图 + 视频 + 语音三种模态创作。

音色克隆。
上传一段录音就能克隆专属音色，支持多角色音色库，有声书里切换角色非常方便。

多语言语音合成。
支持中文、英文、法语等 11 种语言，用中文写稿，系统自动翻译并合成对应语言。

对跨境电商和出海团队特别友好。

配音工作台。
左侧写稿、右侧调参数、底部播预览，语速、语调、停顿都能微调。

多人对话模式支持多角色同时发言，几分钟就能生成播客。

多音字校正。
AI 配音最常见的翻车就是多音字读错，青萍AI语音支持手动指定读音。

真人配音。
AI 不是万能的，有些高端场景还是真人更靠谱。

青萍AI语音开放了真人配音师入驻通道，目前已有上百位配音老师加入。

覆盖广告配音、有声小说、角色音、纪录片旁白等多个领域。

AI 做初稿、真人做精修，或者直接约真人上一整套，两种模式灵活切换。

前往 audio.lusyoe.com 即可体验。

场景选型建议

选工具先看自己的场景。

日常短视频配音，剪映最省事，不用额外装什么。

隐私和灵活性优先，VoxCPM 本地跑，零成本起步。

情感表现和多语言有高要求，MiniMax Audio 表现力最强。

视频制作卡时间轴，IndexTTS-2 对得最齐。

要一个平台把图和视频和语音都搞定，青萍AI语音一站式到底。

各有所长，看你的盘子在哪。