3-10 秒即可，质量比时长更重要
安静环境，避免背景噪音
包含多种音调和语速效果更好
技术原理： 声音克隆通过提取参考音频的音色、语调和说话风格特征，构建说话人嵌入向量。 生成时，TTS 模型结合文本内容和说话人嵌入，合成与参考声音相似的语音。