给 TA 一把声音：从 96 个音色里挑，或者克隆一把

先回答一个我们被问过很多次的问题：「为什么你们的音色一会儿多一会儿少？」答案不神秘， 音色目录跟着通道走。语音合成的音色是各家服务商的资产，你接谁的 Key，就看到谁的货架。 接了阿里百炼，货架上是 49 个中文音色；接 xAI 是 26 个；OpenAI 13 个；硅基流动的 CosyVoice 8 个。 什么 Key 都不配、走官方渠道，用的是内置的语音模型目录，能用，但选择面小。 搞清这一层，挑声音这件事就从玄学变成了逛货架。

货架上的东西在三个地方消费：整本书的听书、 角色聊天里的朗读、伴侣的语音条和电话。三处各有自己的音色选择器，长得一样，记忆各自独立： 听书用磁性男声、伴侣用你克隆的声音，互不打架。

货架怎么逛：分组、徽标、搜索

以最大的阿里百炼货架为例。49 个音色分三组陈列：标准组在前，方言组居中，角色组殿后。 方言组是中文货架独有的乐趣，上海话的阿珍、粤语的阿清，给方言背景的角色配上会有奇效； 角色组则是些有预设气质的声线。每行是名字加性别徽标加一句气质描述，比如「芊悦 · 阳光积极亲切自然的小姐姐」， 描述来自服务商官方目录，我们逐条照抄，没有自己发挥。

列表顶部有搜索框，中文名、英文 id、描述、性别都能命中；还有一枚「换模型」， 点开是叠上来的模型选择器，选完回落原地，目录当场热切换，不用退出去重进。 觉得 49 个挑花眼，先搜性别再听描述顺眼的两三个，比从头听到尾快得多。

试听的账怎么算

每行右侧的试听键是真家伙：点一下就是一次真实的 TTS 合成调用，不弹确认框。 我们敢这么做是因为把账压得足够小——样句不超过 40 个字，一次只花合成一句话的钱； 合成结果缓存在本机，同一个音色同一句样句，第二次点直接播放，零调用零费用。 实测数据：首次试听约两秒出声，复点一秒内出声，请求记录里查不到第二次请求。 试听失败会把原因写在行里，Key 无效、限频、网络异常各有各的说法，不会只给一个「重试」让你猜。

克隆：录一段，或者传一段

目录再大也有一种声音不在里面。克隆入口在设置的「AI 模型与服务」里，叫「我的音色」； 伴侣的音色选择器底部也有一行「＋克隆一个声音」直达。

流程五步，前两步是规矩：先过合规同意，确认克隆的是你本人的声音、知道可以随时删除； 再选通道，xAI Grok 或硅基流动 CosyVoice，按你配了哪家的 Key 显示。 xAI 通道有个前提，你的团队要开通过 Custom Voices，没开通会明确报错，报错了换硅基流动就行。 然后是采样：现场录一段，引导词的第一段就是同意声明，照着读完，一举两得； 或者传一段现成的音频文件，CosyVoice 通道需要你把音频的逐字内容一起填进去。 最后命名保存。克隆这一步不收费，走你自己的 Key。

保存成功那一刻会弹一个「绑给伴侣」，点一下头像就绑上了，连语音模型都自动切到克隆归属的通道， 不用再去设置里找。之后这把声音在三处选择器的「我的音色」分组置顶常驻；伴侣侧不管当前挂着哪家模型， 它都显示在那，选中挂在别家通道的克隆音色时会自动切换语音模型并提示一句。

删除也交代清楚：列表行里可以试听、重命名、删除，删除会级联到服务商侧一起删， 正在用这把声音的伴侣自动回到默认音色。不会有一把删不干净的声音留在别人的服务器上。

三个场景，三种挑法

听书页（阅读中点一下页面中央唤出底部控制栏，点「听」）底部有四个入口：引擎、音色、缓存、原文。 引擎先选：Android 系统 TTS 本地合成、离线可用、完全免费，通勤听个爽文足够； 在线语音模型音质好得多，按次计费，配定时和分段缓存用最划算。 两条路线的音色列表都在「音色」入口里，克隆音色也在。

角色聊天的朗读在「+」面板里，读最后一条回复；⋮ 菜单里有自动朗读开关，每条新回复自动播。 这里的音色按模型持久化，给不同的卡配不同声线，切回来还是原来那把。 旁白多的卡记得开同区的「只朗读台词」，跳过大段动作描写，省钱也省耳朵。

伴侣的声音在资料页「TA 的声音」里选，语音条合成结果有缓存，同一条不会重复计费。 有一个贴心也诚实的细节：给伴侣换语音模型时，如果旧音色不属于新模型的音色空间， 会被自动清空回默认音色，而不是留一个必然合成失败的脏值等你踩。

这套东西的边界

如实交代几条。音色目录的数字是 2026 年 7 月各家官方列表的数，服务商上新或下架，货架会跟着变。 只允许克隆你本人的声音，这条没有商量余地，想给 TA 配某个特定人的嗓音，此路不通。 系统 TTS 免费但音色固定；在线音色好听但每次合成都是真实调用，长篇听书记得用分段缓存， 听过的段落不会二次计费。每一笔合成，和文本调用一样，都在设置的 API 请求记录里逐条可查。