AI 朗读和配音怎么调，听着才不像机器

AI 朗读和配音怎么调，听着才不像机器

把稿子丢进一个配音工具，选个顺耳的声音，导出来听第一句还行，听到第三句就开始出戏：停顿都一样长，重音全落在字面该重的地方，句尾往下掉，像念课文。

这不怪工具。多数工具默认的输出目标是「字念对了」，而人说话的目标是「意思讲到了」。要让声音像人，得在念字之外补三件事：停顿的位置、重音的选择、语速的变化。这三件事工具都能调，只是藏在不同地方。

先解决停顿

逗号不等于停顿

工具读标点，一个逗号停半拍，一个句号停一整拍，通篇一个节奏。人说话不这样。一句话说到关键处会顿一下，让听的人有个准备；一串并列的东西会连着念完，最后才停。

处理办法是改标点，不改参数。想让它在某处停久一点，把逗号换成句号，或者中间插一个省略号。想让一串词连着走，就把中间的顿号全删掉，用连字符串起来。这个动作看着笨，效果比调停顿参数直接。

段落之间要留气口

一段念完立刻接下一段，听感像被推着走。多数工具支持在段落之间加静音，加 300 到 500 毫秒，听起来就像换了口气。讲道理的内容留短一点，讲故事的段落留长一点。

长句要切开

书面语里三十多个字一句很常见，念出来听着累。把长句拆成两三个短句，前一句起个头，后一句给结论，节奏立刻松下来。这一步改的是稿子，不是设置。

重音得自己标

工具判断重音靠字面，它不知道这句话的重点是「三个月」还是「换一次」。念错重音，听的人抓住的信息就错了。

我们的做法是在稿子里给关键词加标记。有的平台认加粗，有的认特殊符号，有的支持在词前加一个停顿符当强调。用哪种看工具，思路一样：把你希望听众记住的那两三个词挑出来，其余的词让它平着念。

一句话里重音不超过两处。全是重音等于没有重音，这一点跟写作里的加粗是同一个道理。

语速和情绪

默认语速偏快，听着像赶时间。信息密度高的段落，语速降到每分钟两百字左右更舒服；铺垫性的段落可以快一些。工具一般只给一个全局语速，那就分段生成，每段设不同速度，最后拼起来。

情绪这项最容易被忽略。同样一句「这个价格可以再谈」，用平淡的语气念是陈述，用下沉的语气念是暗示，用上扬的语气念是反问。多数工具给了几个情绪档位，选的时候别只看名字，导出一段听听，重点听句尾那两个字的走向。

还有一处：笑声、叹气、吸气这些声音，多数工具不支持，硬加会很假。真需要这些效果，用真人补录一两句插进去，比硬调参数自然。

几个工具上的实感

国内平台的语音合成这两年进步很快，普通话的自然度已经够用，短句听不出机器味。问题出在长段落和多音字上：一个句子超过四十字，后半段的语调会走平；人名地名里的多音字，时不时念错。

多音字得逐个改。把容易念错的字换成同音字，或者加拼音标注，工具支持哪种就用哪种。我们做过一份错字表，把客户名、产品名、行业术语里的多音字列出来，每次生成前先跑一遍替换，省了很多返工。

方言和口音别指望工具。要地方味，找本地人录。合成出来的方言听着像外地人学舌，听众第一耳就能听出来，反而扣分。

什么内容适合合成，什么内容别用

产品介绍、操作说明、课程讲义、通知播报，这些内容信息为主，合成完全够用，改一版成本也低。真人在这些场景里念三千字，反而容易累、容易读错。

品牌宣传片、创始人访谈、需要信任感的内容，别用合成。听众判断可信度，一半靠声音里的细微起伏。合成声音再顺，缺了那点不稳，听着就像广告。

一条能直接用的流程

稿子先按口语改写，长句拆短，书面词换成说的词；标点按停顿重排，想停久的地方用句号；重读的词标上记号，一句不超过两处；分段生成，段间留半秒静音；导出后整段连听一遍，专挑第三句之后听，机器味多半藏在那之后。

我们给一条十分钟的课程录音做过对比：直接合成，听三分钟就想关；按上面五步改一遍，同一批听众能听完八分钟。差别不在声音，在节奏。

多人对话怎么分角 {MOD}

标记方式影响识别

一段对话里有两个人，工具默认用一个声音念到底，听众听不出谁在说话。有的平台支持多角 {MOD}合成，给每段标上角 {MOD}名，各自指定音 {MOD}；不支持的，就分段生成，一段一个音 {MOD}，最后在剪辑软件里拼起来。标记的方式别用引号，用「角 {MOD}名加冒号」起头，工具识别得更准，念的时候也不会把冒号读出来。

两个角 {MOD}的音 {MOD}要拉开距离。一男一女最省事，听感天然分得开。同性别就拉开年龄和语速，一个快一个慢，差异比音高更容易被耳朵抓住。三个以上角 {MOD}别硬撑，听众记不住谁是谁，改成旁白转述，一个人讲完更清楚。

导出和后期

格式别二次压缩

导出优先选无损格式。压缩过的素材再做降噪、压音量，瑕疵会被放大，声音发糊。采样率四十四点一千赫兹足够，别盲目追高，文件大了剪辑反而卡。

音量统一到一个大概的水平，手机外放不炸耳，戴耳机不刺。齿音重的段落加一道温和的去齿，下手别重，重了听着像捂着嘴说话。背景音乐压到人声之下十来个分贝，压不住的时候宁可不要音乐。

试听要听哪几处

第三句往后最容易露馅

整段听一遍，重点听第三句往后。开头几句工具会用最好的状态念，越往后越容易露出重复的节奏。听到某一句想快进，那一句就是问题所在，记下位置回去改标点。

再挑数字和专有名词那几句单独听。金额、日期、型号、人名，这几类是合成最容易含糊的地方，含糊了就重念一遍，或者把它们挪到句首，句首的清晰度通常更好。

稿子本身就是一半的效果

很多人调了半天参数还是不满意，问题不在参数，在稿子太书面。念出来的人话和写出来的书面语，语法结构差得远：书面语爱用长定语、爱用连接词，说话人不用这些，一句话一个意思，说完就停。把稿子按说话的节奏改一遍，参数不动，听感能好三成。

改稿的具体做法是把稿子念一遍录音，回放时听哪里打结。打结的地方就是要改的地方：句子太长、词太生、意思拐得太急。这个办法笨，但比在参数面板里试半天有效。我们改过一版十分钟课程稿，念着别扭的句子有十一处，全部拆短之后，合成出来的效果跟着好了。

最后提醒一句，别在音 {MOD}上花太多时间。挑一个不出戏的声音，剩下的功夫全花在稿子和停顿上，收效比反复换音 {MOD}大得多。