我之前手里有 3 小时自己的中文普通话读稿录音。

当时冒出来一个念头：能不能在本地克隆一个自己的声音？

不是为了炫技。

而是做内容的人都懂，录音很烦。

一段文案要重录好几遍，嘴瓢、忘词、情绪不对，都得重来。

如果以后我输入一段文字，Mac mini 能用我的声音先生成一版音频，那很多内容就能先跑起来。

我让 AI 先帮我选工具。

它对比了 5 个方向：GPT-SoVITS、ChatTTS、CosyVoice、Fish Speech、Bert-VITS2。

最后建议我先用 GPT-SoVITS。

原因很简单：中文支持强，能用短音频做零样本，也能用我这 3 小时素材继续微调。

我的设备是 M4 Mac mini，所以重点不是买显卡，而是把本地环境搭起来。

第一步装基础工具：Xcode 命令行工具、Homebrew、FFmpeg。

FFmpeg 是处理音频必备的，后面切分、转格式都绕不开。

第二步装 Conda，单独建 Python 环境，避免把系统环境弄乱。

第三步拉 GPT-SoVITS 代码，装 PyTorch、torchaudio 这些依赖。

Mac 上还要注意 MPS 加速，所以运行前加了：

PYTORCH_ENABLE_MPS_FALLBACK=1

真正麻烦的是后面。

3 小时录音不是直接丢进去就万事大吉。

要先切成 5-10 秒的小段，再做 ASR 打标，识别文字还要人工校对。

声音像不像，很大程度取决于这些素材干不干净、文字准不准。

训练也分两层：SoVITS 学音色，GPT 学语调、停顿和口吻。

这里我不会说它已经稳定商用了。

现在更准确的说法是：已经能部署、能跑，后面还要继续调参和验证自然度。

但这件事让我很确定一点：

AI 对内容创业者的价值，不只是帮你写稿。

它还能把你的声音、文档、录音、流程，慢慢变成可复用资产。

这个岗位，我会叫它：AI 声音助理。