AI 配音怎么配：短视频旁白从稿子到成品

发布于 2026-11-09 · 樱桃茶编辑部

AI 配音想听起来像人录的，顺序是先改稿、再选声音、最后分段生成，多数「机器味」出在第一步。把一篇写给人看的文章直接丢进文字转语音工具，读出来几乎一定别扭：句子太长，数字读法不对，括号读不出来，多音字读错。下面按做一条 60 秒短视频旁白的顺序走一遍。只想挑工具的，直接跳到讲免费和付费工具的那一节。

口播稿和阅读稿差在哪？

眼睛能回头看，耳朵不能。读者看到一个长句，可以停下来再扫一遍；听众听漏了，就真的漏了。所以同一段内容，写给眼睛和写给耳朵，要求差得挺远。

下面这张表，左边是阅读稿常见的写法，右边是改成口播稿后的样子：

地方	阅读稿	口播稿
句子长度	一句四五十字也能看懂	一句一口气能读完，二十字左右就断开
数字	2026 年 Q3 增长 37.5%	写成想听到的读法：二零二六年第三季度，涨了百分之三十七点五
括号、斜杠、引号	标准版/专业版（含税）	读不出来，改成「分标准版和专业版，价格含税」
一句话里的信息	一句塞三个点	一句一个点，多的拆成下一句
开头	先交代背景	前几秒就说观众能得到什么
同一个东西的叫法	换着说显得文采好	只用一个叫法，换了听众会以为是两样东西

随便举一句改写。阅读稿：「该产品（标准版/专业版）在 18–35 岁用户中复购率达 42%。」口播稿：「这款产品分标准版和专业版。十八到三十五岁的用户里，差不多每十个人有四个会回来再买。」字多了，耳朵听一遍就懂。

改稿这一步交给聊天模型做很顺手。下面这条提示词可以直接复制，把最后的原文换成你的稿子：

把下面这段文字改成短视频口播稿，要求：
1. 每句不超过 20 个字，读的时候不用中途换气；
2. 数字、年份、百分比、单位全部写成汉字读法，例如「37.5%」写成「百分之三十七点五」；
3. 删掉括号、引号、斜杠和破折号，里面的必要信息改写成完整的一句话；
4. 一句只讲一件事，同一个东西从头到尾用同一个叫法；
5. 稿子里可能读错的多音字，在文末单独列出来，写上这里应读的拼音；
6. 不加原文没有的事实，不加「家人们」「宝子们」这类口头禅；
7. 全文控制在 250 字以内（我的视频大约 60 秒）。

原文：
（粘贴在这里）

用樱桃茶的话，在对话里选上「视频脚本」或「短视频爆款文案」技能再贴原文，改完的稿子直接复制到配音页。

不同内容挑什么样的声音？

挑声音主要看合不合适。同一个热情的广告女声，配 30 秒的产品片很好，配 20 分钟的有声书，听到第三分钟就累了。我们按内容类型整理了一个挑选方向，表里是编辑部的经验判断，不是哪家工具的官方建议：

内容	声音方向	语速	容易踩的坑
有声书、睡前故事	沉稳、有叙事感，选「讲故事」一类情绪	正常或略慢	用了太亮太快的广告腔
知识解说、科普	干净的青年声或旁白声	正常	情绪起伏太大，像在演戏
广告、带货	明亮、有劲	稍快	全程同一个高情绪，听众很快疲劳
课程讲解	温和、吐字清楚	偏慢，重点前留停顿	角色感太重，学员分心
本地生活、地方号	对应的方言声音	正常	方言声音读普通话书面语，两头不像

试听有个小窍门：别用工具自带的示例句，拿你稿子里最难读的那一句去试，带数字、带英文、带多音字的那句。示例句都是挑过的，听着当然顺。

说一下樱桃茶的 AI 配音，入口在左侧栏「应用」里。写作时（2026 年 11 月）有 58 种声音，其中高清 23 种、普通 35 种；普通话之外，有东北话、四川话、河南话、陕西话、山东话、粤语和台湾腔，还有能中英混读的声音。部分声音能选情绪或扮角色，语速可以在 0.5 到 2 倍之间调。

价格按字数算：写作时普通音色每百字 9 积分，高清音色每百字 13 积分，不足一百字按一百字算，停顿标记和空格不计字数，单次最多 5000 字。稿子里可以插 [停顿0.5秒] 这样的停顿标记，单个最长 5 秒，一次最多 60 处。配音不含在无限卡里，从积分余额扣。按 1 元 = 100 积分的基础档算，一条 250 字的高清旁白是 3 个百字单位，39 积分，大约 0.39 元。登录后每天可以免费试听开头一小段（最多 80 字），先听再决定。以上数字以配音页当时显示的为准。

停顿、语速、多音字怎么处理？

停顿加在哪

标点自带的停顿往往不够，尤其是逗号。几个地方值得手动加：转折之前，说出一个关键数字之前，抛出一个问题之后，段落和段落之间。可以先按句内 0.3 到 0.8 秒、段落之间 1 秒左右加，这只是个起点，加完整段听一遍，觉得拖就减。多数配音工具都有「插入停顿」的按钮或标记写法。

语速先别乱拉

稿子太长、视频装不下时，先删字，别先拉语速。语速拉得太快，听着赶，字也容易糊在一起。删掉一句「大家都知道」，比加快 10% 语速舒服得多。

多音字和读错的字

常见的坑有：行（háng / xíng）、长（cháng / zhǎng）、重（chóng / zhòng）、还（hái / huán）、调（diào / tiáo）、得（de / děi），还有电话号码里的「1」该读「幺」。处理顺序是：

先换词。比如「重新调整」改成「再改一次」，两个多音字一起没了。
换不了词，就只在配音稿里用同音字顶替。比如怕「还钱」被读成 hái，配音稿里写成「环钱」，听起来是对的。
所以手里要留两份稿子：配音稿可以有同音字、停顿标记、汉字数字；字幕稿保持正确写法。后面对字幕用的是字幕稿。

英文和缩写

想让它按字母读的（AI、PPT），保留原样；想读成中文的，直接写中文。品牌名最好整段试听一次，不同声音的读法可能不一样。

为什么要分段生成，字幕怎么对上？

一次生成三分钟，听到第二分钟发现一个字读错，要么整段重来，要么在剪辑软件里硬剪，按字数计费的工具还得再付一次钱。分段生成就没这个问题：按镜头或每 30 到 60 秒切一段，文件按顺序命名（01_开场、02_第一点……），哪段错了只重做哪段。

分段有一个前提：每段用同一个声音、同一个语速、同一种情绪。设置一变，拼起来像换了个人。把这次用的参数记在稿子开头，或者用工具里「复用上一段设置」一类的功能。

字幕有三种对法，按省事程度排：

每段音频配一段字幕稿，放进剪辑软件的时间线，按句子手动拆开。一条一分钟的短视频，这样做最快也最准。
用剪辑软件自带的识别字幕，识别完拿字幕稿逐句核对替换。识别难免有错字，换过同音字的地方更容易认错，所以要对着字幕稿改，别对着配音稿。
会一点命令行的，可以用开源的 Whisper 在本地识别生成字幕文件。它的代码和模型权重是 MIT 许可，输出格式用 whisper --help 查看。

交稿前的「读出来别扭」检查清单

生成之前把稿子过一遍，下面每条都能打勾再点生成：

没有超过 25 个字还不断开的句子
数字、年份、百分比、单位都写成了想听到的读法
括号、斜杠、引号、破折号已经删掉或改写
多音字已经换词或在配音稿里替换，字幕稿保持原样
英文缩写想按字母读还是读中文，已经定好
同一个东西全文只有一个叫法
段落之间加了停顿
开头几秒说清楚了这条视频讲什么
自己用正常语速出声读一遍，卡住的地方已经改掉
各段的声音、语速、情绪设置一致

倒数第二条最容易被跳过，也最有用：自己读着卡的地方，AI 读起来基本也卡。

AI 配音的免费工具和付费工具怎么选？

挑 TTS 工具，先看两件事：一个月能生成多少字，生成的音频能不能商用。音质反而排在后面。

拿 ElevenLabs 举个例子，它的规则写得很清楚。价格页写着免费版每月 10k credits，文字转语音大致一个字符一个 credit，具体看所用的模型。官方帮助中心写明，免费版不含商用授权，不能用于任何商业目的；非商业发布时，要在标题里写上「elevenlabs.io」或「11.ai」。最便宜的付费版 Starter 首月 1 美元，之后每月 6 美元，带商用授权。

剪辑软件自带的文本朗读，用起来最顺手。不过我们没找到哪家把「朗读音色做出来的视频能不能接商单」写成明确的官方条款，所以没法替你下结论。接商单之前，去翻它的用户协议，或者直接问客服。

我们的判断是：自己的账号偶尔发、不带货，免费工具够用；接商单、带货、投广告，选明确写了商用授权的付费方案，并把当时的条款截图存下来，条款会改。带货也算商用，这点常被忽略。

为什么不建议克隆别人的声音？

因为风险落在你身上，而且已经有法院判过。据人民日报 2024 年 10 月的报道，北京互联网法院审理过这样一起案件：配音演员殷某意外发现，自己的声音被 AI 化后，在一家被告公司运营的平台上对外出售。法院认定构成侵权，判其中两家被告公司共同赔偿 25 万元。法院有两个说法对做视频的人很实用。

第一，AI 生成的声音，只要普通听众能听出是某个人，就受这个人的声音权益保护。《民法典》第一千零二十三条第二款规定，对自然人声音的保护参照适用肖像权保护的有关规定。第二，拿到了录音的授权，不等于拿到了把声音 AI 化的授权。

工具方的规则也是这个方向。Fish Speech 的许可证禁止用它生成「模仿可识别自然人的声音」，除非事先取得本人同意。所以「用某某明星的声音读我的广告」这种需求，本文不讲做法。克隆自己的声音是另一回事，这里也不展开。

另外，2025 年 9 月 1 日起施行的《人工智能生成合成内容标识办法》把「声音」列为显式标识的一种形式。发视频时，平台发布页如果有「内容由 AI 生成」一类的声明选项，勾上就是了。

想自己部署：开源语音合成 Fish Speech 要看什么？

想在自己电脑上跑，Fish Speech 是常被提到的开源语音合成项目，GitHub 上三万多星（2026-11-07 查）。README 写的最新旗舰是 Fish Audio Drama 3；上一代 S2-Pro 有 40 亿参数，README 说它小到可以部署在消费级显卡上，但没写具体要多少显存。

许可要仔细看，它不是 MIT 那种随便用的许可。代码和 Drama 3 的权重走 Fish Audio Community License，要点是：

你（连同关联公司）年收入低于 50 万美元时，可以免费商用；超过要另签商业许可；
不管收入多少，都不能拿它对外提供语音合成服务，比如做一个让别人生成配音的网站或 API；
把它分发给别人要附上许可协议和版权声明；用它做的产品或服务，要在网站、界面或文档里显眼地写上「Built with Fish Audio」；
S2-Pro 的权重单独走 Fish Audio Research License，用之前另外看。

一个月只配几条视频的人，为它专门折腾显卡环境不划算。适合的是要批量生成、不想把稿子传到外部服务、手上又有显卡的人。

常见问题

AI 配音能商用吗？

看两件事：工具条款有没有给你商用授权（比如 ElevenLabs 免费版明确不能商用），以及声音有没有模仿某个能被认出来的真人。两条都没问题，再按规定标上 AI 生成。樱桃茶的服务条款里没有单独写配音成品的商用条款，接商单前可以先问客服确认。

一分钟大概配多少字？

只能给个估算。樱桃茶配音页填好稿子后会显示预计时长，它的算法是每个汉字约 0.22 秒，一倍语速下折合一分钟 270 字左右。不同声音快慢差别不小，最准的办法是用你选定的声音试听一段，掐表换算。写 60 秒的稿子，加上停顿，按 250 字左右准备比较稳。

改稿、配音、配图、做视频，在樱桃茶一个账号里都能做，注册送 50 积分，够先配一条短视频旁白试试。

参考来源

ElevenLabs，Can I publish the content I generate on the platform?（帮助中心），访问于 2026-11-07，https://elevenlabs.io/docs/help-center/legal/can-i-publish-the-content-i-generate-on-the-platform
ElevenLabs，Pricing，访问于 2026-11-07，https://elevenlabs.io/pricing
人民日报，《用AI生成他人声音构成侵权吗？（以案说法）》，2024-10-10，https://paper.people.com.cn/rmrbwap/html/2024-10/10/nw.D110000renmrb_20241010_3-19.htm
中国网信网，《人工智能生成合成内容标识办法》发布，2025-03-14，https://www.cac.gov.cn/2025-03/14/c_1743654685899683.htm
Fish Audio，fish-speech README，访问于 2026-11-07，https://github.com/fishaudio/fish-speech
Fish Audio，Fish Audio Community License（仓库 LICENSE），访问于 2026-11-07，https://github.com/fishaudio/fish-speech/blob/main/LICENSE
OpenAI，whisper README，访问于 2026-11-07，https://github.com/openai/whisper
最高人民法院，法答网精选答问（第十九批）人格权专题，2025-05-08，https://www.court.gov.cn/zixun/xiangqing/464401.html

关于本文

本文由樱桃茶编辑部撰写，AI 辅助检索和初稿，编辑逐条核对了来源。ElevenLabs 的条款、Fish Speech 的 README 和许可证、Whisper 的许可是直接读过的；北京互联网法院的案件依据人民日报的报道，没有读到判决书原文。樱桃茶配音的声音数量、价格、字数上限和试听额度来自 2026-11-07 的线上配音页配置。本篇没有做各家工具音质的对比测试，文中的提示词和清单可以直接拿去用。