AI克隆到底在克隆什么

最近「AI克隆」这个词被用得很泛。有人拿它指声音克隆，有人指数字人视频，还有人指把一个人的写作风格、说话习惯整体复制到另一个AI身上。

实测下来，这三件事的难度完全不在一个量级，但宣传语往往把它们混在一起说，导致很多人上手之后落差很大。

实测中暴露的几个真实问题

第一，短样本克隆基本是玩具。 只给几秒钟的音频或几段文字，出来的结果只能算「音色有点像」，语气、停顿、情绪几乎全丢。想要接近本人，至少需要几分钟以上的干净素材，而且最好是同一设备、同一环境录的。

第二，口型和表情是重灾区。 数字人视频里，头部大幅动作、快速说话、侧脸这几个情况最容易露馅。如果你打算拿它做正式内容，建议把镜头固定、语速放慢，能明显减少穿帮。

第三，长内容会「漂移」。 生成十分钟以上的内容时，越到后面越不像本人，这是目前模型的通病。可行的做法是分段生成，每段重新给一次参考样本。

第四，也是最容易被忽略的：授权问题。 克隆别人的声音和形象，在很多地区已经涉及明确的法律风险，商用更是雷区。自己克隆自己，是目前最稳妥的用法。

普通人真正能用上的场景