HeyGen 推出场景感知语音模型 HeyGen Voice：克隆声线同时匹配画面里的空间与麦克风感，平台内免费
HeyGen 发布面向视频的场景感知语音模型 HeyGen Voice：上传最长约 60 秒录音即可保留声线，并按目标画面调整演绎与空间声学；在 Artificial Analysis 受控语音榜上曾居首位，平台内生成视频不另收费，API 按每百万字符 30 美元计费，专业声线克隆为可选加购。
数字人公司 HeyGen 发布自研语音模型 HeyGen Voice，并在官方研究页（2026 年 10 月 14 日）与产品页详细介绍：它不只是「听起来像你」，还会根据目标画面调整演绎与声学，让配音听起来像真的站在那个场景里。产品入口见 HeyGen Voice，技术说明见 HeyGen Research。要点如下：
- 怎么用：上传最长约 60 秒 手机或任意设备录音，模型学习音色、口音与说话习惯；再配合脚本与目标画面（图像），生成适合该场景的语音；没有录音时，也可按画面里的人物与环境设计一条声音；
- 场景适配：模型会结合画面与场景描述，估计房间感、麦克风距离与该镜头该有的讲法——例如海滩的开阔感、车内的舱体感、工厂的嘈杂空间——避免「干净棚录音却配在街头镜头」的割裂；
- 两种克隆模式：Voice Clone（自适应） 更跟场景调整演绎与声学；Full Clone（精确） 更贴近原录音的节奏与录音条件，适合希望整段听起来像同一次录制的长脚本；
- 表现力与细调：可用 Expressiveness Boost 滑条加强重音与节奏；另有音高变化、背景声量、环境稳定度等滑条；同一录音可朗读西语、德语、法语、中文等，官方称可带更接近母语的口音；
- 评测与定价：官方称在 Artificial Analysis 受控语音榜（2026-10-09 快照）以 Elo 1201 居首；平台内用于 HeyGen 视频时 不另收费；API 约 每百万字符 30 美元，可 REST 或流式返回；专业声线克隆（约 30 分钟至 2 小时语料）为可选加购；
- 安全：平台要求被克隆者明确同意，支持申请移除声线，并对上传与生成内容做审核，生成语音带水印以便检测。
对创作者意味着什么： 做口播、课程、广告数字人的人，最常踩的坑是「脸在户外、声在录音棚」。HeyGen Voice 把场景声学和声线绑在一起，适合多场景口播、多语言改版和长脚本分段生成后仍要听起来像同一次录制的情况。注意：免费指的是在 HeyGen 视频流程里用，不代表无限额度；API 与专业克隆仍要算成本。更重要的是合规——只克隆自己或已获授权的声音，不要拿公开采访、明星切片做「像某人」的商用口播。成片发布前用耳机听一遍环境声是否过重、口型是否还要对齐你选用的数字人模型。
信息来源：HeyGen Research / HeyGen 产品页（本文为编辑整理改写）
