讯飞智作声音克隆仅支持wa v、mp3、m4a、aac、flac五种格式，其中wa v为首选；wma、ogg等不支持，需转码；音频须16kHz以上、单声道、3–30秒、纯普通话无杂音。

想用讯飞智作把你的声音克隆出来，但上传的录音文件被系统拒绝——问题很可能出在音频格式不兼容上。讯飞智作对语音克隆所需的原始音频有明确格式限制，不是所有常见格式都能直接用于音色训练。

讯飞智作声音克隆支持的音频格式

讯飞智作当前（2026年8月）仅接受以下5种音频格式用于声音克隆：【wa v、mp3、m4a、aac、flac】。

wa v格式是首选，它采用无损压缩，以采样率16kHz及以上、单声道为最佳；mp3格式的比特率不能低于64kbps，注意不要用VBR可变码率编码；m4a和aac格式必须是标准的AAC-LC编码；flac格式必须是无损压缩，且不能有元数据异常。

其他格式如wma、ogg、amr、opus、ac3等均不支持，上传会直接报错“文件格式不合法”。

不支持但常被误用的格式及替代方案

方法一：wma文件 → 用Audacity或格式工厂转为wa v再上传。

方法二：手机录的m4r（iPhone铃声格式）→ 先重命名为m4a，若仍失败，则用QuickTime导出为AAC编码的m4a。

方法三：微信语音保存的amr文件需要转码，建议使用FFmpeg命令：ffmpeg -i input.amr -ar 16000 -ac 1 -c:a libmp3lame output.mp3，否则克隆失败率会超过90%。

注意：采样率低于8kHz的音频即使格式正确，也会触发“音质不足”拦截，无法进入克隆流程。

音频时长与内容要求

第一步：确保音频时长在3秒至30秒之间。少于3秒无法提取有效音色特征；超过30秒系统自动截取前30秒，可能切掉关键语句。

第二步：语音内容需为清晰普通话，无背景音乐、混响或严重电流声。含大量“嗯”“啊”填充词或语速过快（＞300字/分钟）会降低克隆相似度。

第三步：同一人、同一设备、同一环境录制的连续语句优先。拼接多个片段（如剪辑不同时间录的句子）会导致音色建模不稳定，合成语音可能出现断层感。