AI 配音怎麼做，才能聽起來自然？

AI 配音的八個步驟

AI 配音是由神經網路語音合成（TTS）的聲音取代麥克風所產出的旁白。但聲音模型只是其中一環，品質大半取決於講稿、節奏與混音。無論是短影音還是說明型影片，可靠的流程如下：

1. 先定稿，並親自計時朗讀一遍。
2. 選好聲音後，用稿子裡最難念的兩句來測試，而不是用範例段落。
3. 改寫念起來彆扭的句子：長句、縮寫、數字、品牌名稱。
4. 分段生成配音，一個段落或一句話為一個單位，這樣某一段不好可以單獨重做，不影響其他部分。
5. 用改寫拼法或 SSML 標籤修正發音。
6. 先把聲音放上時間軸，再把畫面剪到聲音上。
7. 清理並標準化人聲音量，再把音樂混到下層。
8. 匯出後，分別用手機喇叭和耳機聽一遍；平台要求時，加上 AI 標示。

本頁談的是如何把 AI 聲音用在影片上。至於語音是怎麼合成出來的，請看我們的文字轉語音教學。

怎麼替影片選聲音

ElevenLabs、剪映（CapCut）內建的聲音，或大型雲端平台的 TTS，多半都提供數十種聲音可選。請依用途挑選，不要被試聽樣本牽著走：試聽文字是為了襯托聲音而寫的，而你的講稿裡會有產品名、數字和簡短有力的句子。

一個頻道或系列固定用同一個聲音。觀眾會慢慢記住它，如果每集換聲音，系列就會像一支支各自獨立的上傳。請把聲音名稱和所有設定（語速、穩定度或風格數值、模型）記在筆記裡，因為服務商會更新模型，同樣的設定也可能出現偏差。

寫給耳朵聽的稿，並對齊剪輯點

在紙上讀起來順的文字，念出來常常顯得生硬，因為聽眾沒辦法往回捲。寫稿時要讓每一句在第一次聽到時就聽得懂。

• 一句只講一個想法，最好不超過 15 個字（詞）。
• 把重要的詞放在句尾，聲音自然會落在那裡。
• 數字照口說的方式寫：用「大約兩千」，不要寫「~2,000」。
• 縮寫要拆開寫出來，除非大家本來就用字母唸。
• 用逗號和句號控制節奏。大多數聲音在句號會停頓，在逗號幾乎不停。

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.

至於節奏，清晰的英文旁白大約抓每秒 2.5 到 3 個字。做短影音時，是畫面配合聲音剪，而不是反過來：先把配音放上時間軸，再讓每一刀剪在新句子的開頭或關鍵字上。如果一段聲音比它的鏡頭長，就把句子改短，不要把聲音加速。實務上，速度調整超過約 10% 時，AI 聲音就容易聽起來趕、不自然。

想在付費生成前先聽節奏，可以用裝置的聲音念稿，例如 cv.cm 的文字轉語音工具，它使用瀏覽器內建的聲音並可調整語速。它不能匯出音檔，也不是專業配音等級的聲音，只是用來確認時間。如果你想用自己的聲音當參考音軌，可以用錄音工具錄下來，再照著它剪。

修正發音：改寫拼法、停頓與音素

人名、品牌、縮寫和外來語，是 AI 聲音最常出錯的地方。請由簡單到精確依序嘗試以下做法。

1. 在稿子裡用諧音或拼音改寫該詞：例如把「Nguyen」寫成「Win」，「GIF」依你的選擇寫成「jif」或「gif」。每個專案都留一份改寫清單。
2. 加標點來強制停頓或改變重音：在人名前加逗號，或在複合詞中加連字號。
3. 工具支援的話就用 SSML。SSML（語音合成標記語言）是 W3C 標準：break 元素可插入停頓，並以 time 指定長度，例如 400ms；sub 可把書面文字替換成實際要念的內容；phoneme 則透過 ph 屬性，用 IPA 指定精確發音。
4. 如果工具有發音詞典，就善用它，讓這個修正套用到之後的每一份稿子。

<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>

社群影片的音量目標

響度以 LUFS（相對於滿刻度的響度單位）衡量，採用 ITU-R BS.1770 的演算法，這也是歐洲廣播聯盟 EBU R 128 建議背後的量測方式。EBU R 128 規定廣播節目為 -23 LUFS。串流與社群平台不一定公開自己的目標，但對線上影片來說，整合響度約 -14 LUFS、真實峰值不高於約 -1 dBTP，是常見的實用目標。

多數大型平台會對播放音量做標準化，所以母帶做得很大聲，只會被調小而得不到好處，為了做大聲而過度壓縮，還會讓人聲聽起來刺耳。母帶太小聲的影片，也可能不會被調大到你預期的程度。把目標抓在常見數值附近，就能同時避開這兩個問題。

# 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

請標準化最終混音，而不只是人聲。實務上，說話時的音樂要明顯低於人聲；先壓低約 12 到 20 dB 是合理的起點，等兩句話之間再拉高。一定要用手機喇叭檢查，因為低音量的音樂在那裡會消失，刺耳的高頻則會特別突出。

AI 多語配音

AI 配音會翻譯講稿，並以另一種語言生成語音，聲音通常也與原聲相近。實際最大的問題是時間：同一句話用西班牙文或德文說，通常比英文久，所以照著英文剪輯點做的配音，往往會超時。

• 原始腳本要預留空間。如果英文剛好塞滿時段，翻譯版就放不下。在原版每個段落留下 10% 到 20% 的空白，配音會輕鬆許多。
• 為口說而翻譯，不要逐字翻。請譯者或 LLM 把句子縮短到指定秒數內。
• 每種語言都要重新確認人名、單位和螢幕文字。配音說「miles」、畫面字幕卻是公里，看起來很草率。
• 必要時重新剪輯。在鏡頭裡多加幾格，比把聲音加速到不自然划算。

各平台也在推出自己的工具。YouTube 的自動配音會建立翻譯音軌，並將這類影片標示為自動配音。官方說明頁提醒，配音在發音、專有名詞、慣用語和專業術語上可能出錯，同時讓創作者在發布前先檢查。請善用這個檢查步驟，或上傳你自己確認過的音軌。如果想讓說話者的嘴型對上新語言，請參考我們的 AI 對嘴教學。

聲音複製：授權、揭露與法規

聲音複製是用真人的錄音建立一個合成聲音。只要幾秒清晰的語音，就可能做出辨識度很高的結果，所以相關規範都集中在授權與揭露。

• 只複製你自己的聲音，或你有書面授權的聲音。授權內容應說明聲音可用於什麼、期限多久，以及如何撤回。
• 不要複製公眾人物、演員或創作者，讓他們「說出」沒說過的話。這可能違反平台規則，在許多國家也會牴觸人格權、公開權或詐欺相關法律。
• YouTube 的揭露規則要求：當擬真內容讓真人看起來說了或做了他們沒做過的事時，必須加上標示。其說明頁舉例指出，為旁白或配音複製你自己的聲音，不需要揭露。
• 歐盟《人工智慧法》（第 50 條）要求部署者揭露構成深度偽造的 AI 生成或經操控的音訊與影片；對於明顯屬於藝術、創作或諷刺性質的作品，義務較輕。
• 中國《人工智慧生成合成內容標識辦法》自 2025 年 9 月 1 日起施行，要求服務提供者為合成音訊加上標識（例如語音提示或節奏提示），並要求發布此類內容的使用者主動聲明並使用標識功能。

一般的合成旁白念你自己的稿子，很少有法律問題；複製真人的聲音則不然。各平台的 AI 標示如何運作，請看我們的 AI 內容標示教學。