Cleanvoice 是一款在线服务：自动删除播客中口癖、停顿与杂音的工具。

当数据不能离开公司或个人设备时，就需要考虑自托管或开源路线。

先判断：它能不能自托管

它本身是云端服务；如果数据不能出域，可以考虑可自托管的开源方案做部分替代，代价是部署与维护要自己负责。

决策要点

  • 数据敏感级别：只有内部公开信息时，云端服务通常更省事。
  • 团队是否有人负责运维和安全更新。
  • 硬件投入：本地运行模型需要显卡或较大的内存。
  • 效果差距：用自己的任务实测，不要只看榜单。

可以评估的开源方向包括：F5-TTS、GPT-SoVITS、CosyVoice。它们与 Cleanvoice 的能力并不完全等同，适合用来承接对数据要求最高的那部分任务。

用同一个任务做对比

课程旁白配音

适用情况：手头有一份 800 字的讲解稿时。

把这份讲稿改成适合朗读的口播版本：句子不超过 20 字，数字改成口语读法，标出需要停顿和重读的地方。

验收标准：数字读法不会产生歧义。

自托管上线清单

  • 固定版本号并记录配置。
  • 只在内网暴露服务或加上认证。
  • 设置日志与资源监控。
  • 订阅仓库的版本发布与安全公告。
  • 准备回滚方案。

补充练习

短视频配乐

输入：一条 30 秒视频的情绪与节奏。

生成一段 30 秒的背景音乐：轻快、温暖、无人声，前 5 秒渐入，结尾干净收尾，适合生活类短视频。

交付前确认：结尾没有突然截断。

播客后期

输入：一期双人录制的原始音频。

处理这期音频：降低底噪、统一两人音量、删除超过 2 秒的停顿，保留自然的语气词，输出前后对比的处理记录。

检查点：人声没有被处理得发闷。

分轨练习

准备材料：一首用于练习的歌曲音频。

把这首歌分离成人声、鼓、贝斯和其他乐器，并把伴奏降低两个半音，方便练唱。

检查点：分离后人声没有明显残留伴奏。

常见问题：克隆音色不稳定

使用更干净、更长的样本，避免背景音乐和回声。

常见问题：配乐与画面情绪不符

先写清情绪关键词和节奏，再分段生成拼接。

常见问题：合成语音读错多音字

在文本中改用同音字或拼音标注，或使用工具的发音词典。

概念补充：说话人分离

在转写中区分不同发言人，便于整理会议记录。

概念补充：人声分离

把歌曲或录音拆分为人声与伴奏等音轨。

适合人群：视频剪辑师

视频剪辑师可以用 Cleanvoice 处理粗剪与选段、字幕与调色等工作。需要注意：确认音乐和素材授权，客户素材不随意上传公共平台。

适合人群：音乐人

音乐人可以用 Cleanvoice 处理编曲灵感、分轨练习等工作。需要注意：AI 生成音乐的版权归属以平台条款为准，发行前确认。

适合人群：播客主

播客主可以用 Cleanvoice 处理选题与提纲、音频后期等工作。需要注意：嘉宾声音和内容的再利用需取得同意。

使用提醒

涉及个人信息、商业机密或受监管数据时，先确认 Cleanvoice 的数据处理条款，再决定能否使用。

文中提示词和示例仅作示意，实际效果取决于你的材料和 Cleanvoice 当前版本，重要内容请人工核对后再使用。

延伸阅读