AI配音怎么做才自然？

AI配音的八步流程

AI配音就是用神经网络文字转语音的声音来代替麦克风录制的旁白。声音模型只是其中一环，成品质量大部分取决于文案、节奏和混音。短视频或讲解视频的可靠流程如下：

1. 写完文案，自己带着计时器朗读一遍。
2. 选声音，并用文案里最难念的两句来试，而不是用样例段落。
3. 改写口头念着别扭的句子：长句、缩写、数字、品牌名。
4. 分小段生成配音，每次一个段落或一句话，这样某一条不满意时重做，不会影响其他部分。
5. 用换写法或SSML标签修正发音。
6. 先把配音放上时间线，再让画面去配合它剪。
7. 给人声降噪并统一响度，然后在下面混入音乐。
8. 导出后，分别用手机外放和耳机试听，平台要求时加上AI标注。

本文讲的是在视频里使用AI声音。至于语音在底层是怎么合成的，见我们的文字转语音指南。

给视频选配音声音

大多数AI配音工具，比如 ElevenLabs、剪映（CapCut）自带的声音，或者大型云平台的TTS，都提供几十种声音。要按用途选，别看试听样片。样片文本是为衬托声音写的，而你的文案里会有产品名、数字和短促有力的句子。

一个频道或一个系列只用一个声音。观众会慢慢认得它，而每期换声音，会让系列看起来像互不相干的上传。把声音名称和所有设置（语速、稳定度或风格数值、模型）记在笔记里，因为服务商会更新模型，同样的设置可能出现偏差。

按听觉写文案，让声音卡上镜头

在纸面上读着顺的文字，说出来常常很生硬。听众没法往回翻，所以每句话都要让人听一遍就明白。

• 一句话一个意思，最好不超过15个词。
• 重要的词放在句尾，声音自然会落在那里。
• 数字按口语写：用“大约两千”，而不是“~2,000”。
• 缩写要展开，除非大家本来就按字母念。
• 用逗号和句号控制节奏。大多数声音在句号处会停顿，逗号处几乎不停。

Before (written):
  Our app supports 4K/60fps export, HDR & batch processing (Win/Mac).

After (for the ear):
  You can export in 4K at sixty frames per second.
  It handles HDR. And it works in batches, on Windows and Mac.

关于节奏，清晰的英文旁白按每秒2.5到3个单词来规划。短视频要让画面跟着声音剪，而不是反过来：先把配音放上时间线，再让每一次剪辑落在新句子的开头或关键词上。如果某段声音对这个镜头来说太长，就把台词改短，别靠加速。实际操作中，变速超过约10%，AI声音往往就显得仓促、不自然。

在付费生成之前想先听节奏，可以用设备自带的声音朗读文案，比如 cv.cm 的文字转语音工具，它使用浏览器内置的声音，还能调语速。它不能导出音频，也不是录音棚级的声音，只是用来核对时间。如果你更想用自己的声音做参考轨，可以用录音机录下来，按它来卡剪辑点。

修正发音：换写法、停顿和音标

人名、品牌、缩写和外来词，是AI声音最容易出错的地方。按由简到精的顺序，依次试下面这些办法。

1. 在文案里用谐音或拼读重写这个词：把“Nguyen”写成“Win”，“GIF”按你的选择写成“jif”或“gif”。每个项目维护一份换写清单。
2. 加标点来强制停顿或改变重音：在名字前加逗号，或在复合词里加连字符。
3. 工具支持的话就用SSML。SSML（Speech Synthesis Markup Language，语音合成标记语言）是W3C标准。它的 break 元素用 time（比如 400ms）插入停顿，sub 把书面文字替换为要读出的内容，phoneme 则通过 ph 属性用国际音标（IPA）给出精确发音。
4. 如果工具有发音词典，就用上，这样修正会对之后所有脚本生效。

<speak>
  Welcome to <sub alias="see vee dot see em">cv.cm</sub>.
  <break time="400ms"/>
  Today we test the <phoneme alphabet="ipa" ph="ˈkiːnwɑː">quinoa</phoneme> recipe.
</speak>

社交视频的响度目标

响度用LUFS（相对满刻度的响度单位）衡量，算法来自ITU-R BS.1770，也是欧洲广播联盟EBU R 128建议所依据的测量方法。EBU R 128规定广播节目为-23 LUFS。流媒体和社交平台并非都公布自己的目标，但对在线视频来说，积分响度约-14 LUFS、真峰值不高于约-1 dBTP，是常见的工作目标。

大多数大型平台会对播放响度做归一化，所以母带做得响很多的视频会被压低，毫无好处，而为了做响而过度限幅，又会让人声刺耳。母带做得安静很多的视频，被抬高的幅度也可能不及预期。把目标定在常见值附近，两个问题都能避免。

# Pass 1: measure. Note the measured_* values in the JSON it prints.
ffmpeg -i voice.wav -af loudnorm=I=-14:TP=-1:LRA=11:print_format=json -f null -
# Pass 2: normalize with your measured values (the numbers below are examples)
ffmpeg -i voice.wav -af loudnorm=I=-14:TP=-1:LRA=11:measured_I=-19.6:measured_TP=-3.2:measured_LRA=6.1:measured_thresh=-30.0:offset=0.4:linear=true -ar 48000 voice_norm.wav

要对最终混音做归一化，而不只是人声。实际操作中，说话时音乐应远低于人声，比人声低约12到20 dB是合理的起点，台词间隙再把音乐抬上来。一定要用手机外放检查，在那里低音量的音乐会消失，刺耳的高频则会很突出。

AI配音翻译成其他语言

AI译制配音会翻译文案，并用另一种语言生成语音，声音往往和原声相近。实际遇到的主要问题是时间：同一句话在西班牙语或德语里通常比英语更长，所以照着英文剪辑点做的译配容易超时。

• 源语言脚本要留余量。如果英文把时段占满，译文就放不下。原片里每个段落留出10%到20%的空余，译配会容易得多。
• 按口语翻译，不要逐字翻。让译者或大模型把句子缩短到指定的秒数内。
• 每种语言都要重新核对名称、单位和屏幕文字。配音说“miles”，字幕却是公里，会显得很随便。
• 必要时重新剪辑。给镜头多加几帧，比把声音加速到不自然要划算。

各平台也在推出自己的工具。YouTube的自动配音会生成翻译音轨，并把这类视频标为自动配音。它的帮助页指出，配音可能在发音、专有名词、习语和行话上出错，并允许创作者在发布前审核配音。请用好这个审核环节，或者上传你自己检查过的音轨。如果想让说话人的嘴型与新语言匹配，见我们的AI对口型指南。

声音克隆：授权、披露和法律

声音克隆是用真人的录音构建一个合成声音。几秒干净的语音就可能得到可辨认的效果，因此规则都围绕授权和披露展开。

• 只克隆你自己的声音，或你有书面许可的声音。许可应写明声音可以用于什么、期限多久、如何撤回。
• 不要克隆公众人物、演员或创作者，让他们“说”出没说过的话。这可能违反平台规则，在许多国家还会触犯人格权、肖像权或欺诈方面的法律。
• YouTube的披露规则要求，当逼真的内容让真人看起来说了或做了他们没有说过、做过的事时，必须加标注。其帮助页列举的不需要披露的例子，包括用自己克隆的声音来做配音或译配。
• 欧盟《人工智能法》（第50条）要求部署者披露构成深度伪造的AI生成或篡改的音频和视频，对明显属于艺术、创作或讽刺性质的作品，义务较轻。
• 中国《人工智能生成合成内容标识办法》自2025年9月1日起施行，要求服务提供者对合成音频加标识，例如语音提示或节奏提示，并要求用户发布此类内容时主动声明并使用平台的标识功能。

通用的合成旁白念你自己的文案，很少有法律问题。克隆真人的声音就有。各平台的AI标注怎么用，见我们的AI内容标注指南。