背景与工具准备
在AI时代，声音克隆数字人已不再陌生。博主近期在使用HyperFrames制作视频时，画面流程虽顺畅但缺乏声音支持。经过尝试，成功将克隆的声音集成进来，实现视频自动使用博主自己的音色配音。
操作的第一步是获取ListenHub服务的API Key。用户需前往其设置页面新建一个Key，并妥善保管，因为后续所有操作都需要用到这个凭证。这是整个自动化流程的基础入口。
声音克隆实操步骤
第二步是执行声音克隆本身。博主提供了一段20-30秒的样本，要求AI学习其声调和节奏。他给这个克隆声音起名为“VerySmallWoods”。
“样本不用太长 一段20-30秒的自己满意的 声调和节奏的语音就可以了”
克隆完成后，该声音会出现在用户的声音列表中。需要注意的是，这一步是在网页端完成的，只需做一次，后续每次视频制作均可直接调用此声音。这为后续的自动化处理奠定了数据基础。
API接口调试与验证
为了让程序能使用克隆声音，博主利用ListenHub开放的两个API功能：列出声音和文字转语音（TTS）。
首先使用Bruno客户端测试“列出声音”接口。填入地址和API Key后，返回的长串数据中包含了博主的声音“VerySmallWoods”，其编号以voice-clone打头。
“我的声音从这一刻起 就可以被自动用在视频制作中了”
接着测试“文字转语音”接口，填入克隆声音编号并发送一句话。返回结果中包含一个音频链接，点击即可听到用博主克隆声音念出的内容。
Skill集成与自动化流程
仅能手动调接口不够，博主的目标是让视频Agent自动使用。他编写了一个名为verysmallwoods-video的Skill，专门基于主题生成全套视频物料。
博主将ListenHub的代码搬进Agent的音频参考库中，并补充了使用克隆声音的逻辑。修改后，Agent在做旁白时能直接选择该克隆声音，无需人工干预接口。
在智能体中，只需一句提示词即可启动流程。博主对Claude Code说：“帮我做一条个人视频频道的片头，用我的克隆声音来配音。”
“剩下的它自己来 选我的克隆声音 把文字变成音频 配好字幕 生成画面 再渲染出来”
Agent自动完成选声、转音频、配字幕、生成画面及渲染，博主只需等待结果。
效果展示与最终结论
流程跑通后，视频前半部分为博主真人声音，后半段频道片头则由该流程生成。
“你好，我是小木头。 欢迎回到我的频道。 在这里，我们一起看 AI 有什么新东西”
博主评价称，虽然音色相似度较高，但AI生成的声音仍缺少真人的情感。因此他的策略是：片头等短场景使用克隆声音，整段口播仍由真人录制。
该Skill已开源至GitHub。博主建议读者根据自身情况决定是否采用此方案，并邀请满意的朋友在GitHub上Star。
结论
本视频详细演示了如何通过ListenHub克隆声音并集成至HyperFrames工作流，实现了从提示词到成片的全自动化。尽管AI音色逼真但情感尚缺，博主建议混合使用克隆声与真人录音以平衡效率与质量。