AI 声音克隆踩坑实录：零样本做不出磁性嗓音，以及四个环境深坑

想给视频配上主播本人的克隆声音，本地零成本搭了 Fish Speech 1.5 零样本方案，调了一圈参数成品却咬字糊、声纹不像、没有磁性。本文复盘根因：零样本克隆的天花板，以及切换 GPT-SoVITS 微调路线的判断依据，并列出 ffmpeg 9、PyAV、clone_tts、HuggingFace 传输协议四个真实环境坑及绕过办法。