HeyGen 上线 Voice STS：自己念一遍，停顿、重音和气声都能原样带到数字人身上
北京时间 10 月 29 日凌晨，HeyGen 在官方 X 账号发布 Voice STS（语音转语音）功能：用户不再只靠输入文字让数字人朗读，而是自己把台词说一遍，系统把这段表演里的停顿、重音甚至耳语一起迁移到数字人的克隆声音上；官方称功能已上线可试用，套餐和额度规则没有在公告中说明。
数字人视频平台 HeyGen 在北京时间 10 月 29 日凌晨通过官方 X 账号发布了 HeyGen Voice STS。STS 是 speech-to-speech 的缩写，意思是「用声音生成声音」，和常见的 TTS（输入文字、合成语音）相对。
HeyGen 的说法很直接：文字转语音能做到「接近」，但接近不等于你本人会怎么说。Voice STS 的用法是用户自己把台词说一遍，系统把整段表演带到数字人身上，每一处停顿、强调和耳语都会保留下来。在评论区回复网友时，官方补充说，用了 STS 就可以跳过用文字标注语气的步骤，「直接演出来」，再由 STS 带进克隆声音里，并确认该功能「已经上线」。
几个背景和需要留意的地方：
- 和此前语音模型的关系：HeyGen 这个月已经连续更新了语音能力，10 月中旬推出能结合画面的 HeyGen Voice，10 月 21 日又推出更便宜的 Voice Turbo。前两者都是从文字出发，这次的 STS 则是从真人录音出发，补上的是「语气表演」这一环；
- 公告没说的细节：官方帖子没有说明 Voice STS 支持哪些语言、对哪些套餐开放、是否消耗积分，以及对中文语气的还原效果，实际以 HeyGen 产品页显示为准；
- 声音授权：STS 迁移的是录音里的表演，最终用的是数字人绑定的克隆声音，使用他人声音或形象时仍需取得本人授权。
对创作者意味着什么： 用数字人做口播、课程讲解或产品介绍的人，最常遇到的问题是 TTS 念得太平，想要的反问、停顿、压低声音只能靠反复改标点和语气标签去试。STS 把这件事换成了「自己录一遍参考音」：录音不需要专业设备，重要的是语气到位，剩下的交给克隆声音。比较稳妥的做法是先挑一段情绪起伏明显的台词，分别用 TTS 和 STS 各做一版对比，看看中文表现是否值得多花这一步录音时间，再决定要不要放进固定流程。
信息来源：HeyGen 官方 X 账号（本文为编辑整理改写）
