AI 配音怎麼配：短影片旁白從稿子到成品

釋出於 2026-11-09 · 櫻桃茶編輯部

AI 配音想聽起來像人錄的，順序是先改稿、再選聲音、最後分段生成，多數「機器味」出在第一步。把一篇寫給人看的文章直接丟進文字轉語音工具，讀出來幾乎一定彆扭：句子太長，數字讀法不對，括號讀不出來，多音字讀錯。下面按做一條 60 秒短影片旁白的順序走一遍。只想挑工具的，直接跳到講免費和付費工具的那一節。

口播稿和閱讀稿差在哪？

眼睛能回頭看，耳朵不能。讀者看到一個長句，可以停下來再掃一遍；聽眾聽漏了，就真的漏了。所以同一段內容，寫給眼睛和寫給耳朵，要求差得挺遠。

下面這張表，左邊是閱讀稿常見的寫法，右邊是改成口播稿後的樣子：

地方 閱讀稿 口播稿
句子長度 一句四五十字也能看懂 一句一口氣能讀完，二十字左右就斷開
數字 2026 年 Q3 增長 37.5% 寫成想聽到的讀法：二零二六年第三季度，漲了百分之三十七點五
括號、斜槓、引號 標準版/專業版（含稅） 讀不出來，改成「分標準版和專業版，價格含稅」
一句話裡的資訊 一句塞三個點 一句一個點，多的拆成下一句
開頭 先交代背景 前幾秒就說觀眾能得到什麼
同一個東西的叫法 換著說顯得文采好 只用一個叫法，換了聽眾會以為是兩樣東西

隨便舉一句改寫。閱讀稿：「該產品（標準版/專業版）在 18–35 歲使用者中復購率達 42%。」口播稿：「這款產品分標準版和專業版。十八到三十五歲的使用者裡，差不多每十個人有四個會回來再買。」字多了，耳朵聽一遍就懂。

改稿這一步交給聊天模型做很順手。下面這條提示詞可以直接複製，把最後的原文換成你的稿子：

把下面這段文字改成短影片口播稿，要求：
1. 每句不超過 20 個字，讀的時候不用中途換氣；
2. 數字、年份、百分比、單位全部寫成漢字讀法，例如「37.5%」寫成「百分之三十七點五」；
3. 刪掉括號、引號、斜槓和破折號，裡面的必要資訊改寫成完整的一句話；
4. 一句只講一件事，同一個東西從頭到尾用同一個叫法；
5. 稿子裡可能讀錯的多音字，在文末單獨列出來，寫上這裡應讀的拼音；
6. 不加原文沒有的事實，不加「家人們」「寶子們」這類口頭禪；
7. 全文控制在 250 字以內（我的影片大約 60 秒）。

原文：
（貼上在這裡）

用櫻桃茶的話，在對話裡選上「影片指令碼」或「短影片爆款文案」技能再貼原文，改完的稿子直接複製到配音頁。

不同內容挑什麼樣的聲音？

挑聲音主要看合不合適。同一個熱情的廣告女聲，配 30 秒的產品片很好，配 20 分鐘的有聲書，聽到第三分鐘就累了。我們按內容型別整理了一個挑選方向，表裡是編輯部的經驗判斷，不是哪家工具的官方建議：

內容 聲音方向 語速 容易踩的坑
有聲書、睡前故事 沉穩、有敘事感，選「講故事」一類情緒 正常或略慢 用了太亮太快的廣告腔
知識解說、科普 乾淨的青年聲或旁白聲 正常 情緒起伏太大，像在演戲
廣告、帶貨 明亮、有勁 稍快 全程同一個高情緒，聽眾很快疲勞
課程講解 溫和、吐字清楚 偏慢，重點前留停頓 角色感太重，學員分心
本地生活、地方號 對應的方言聲音 正常 方言聲音讀普通話書面語，兩頭不像

試聽有個小竅門：別用工具自帶的示例句，拿你稿子裡最難讀的那一句去試，帶數字、帶英文、帶多音字的那句。示例句都是挑過的，聽著當然順。

說一下櫻桃茶的 AI 配音，入口在左側欄「應用」裡。寫作時（2026 年 11 月）有 58 種聲音，其中高畫質 23 種、普通 35 種；普通話之外，有東北話、四川話、河南話、陝西話、山東話、粵語和臺灣腔，還有能中英混讀的聲音。部分聲音能選情緒或扮角色，語速可以在 0.5 到 2 倍之間調。

價格按字數算：寫作時普通音色每百字 9 點數，高畫質音色每百字 13 點數，不足一百字按一百字算，停頓標記和空格不計字數，單次最多 5000 字。稿子裡可以插 [停頓0.5秒] 這樣的停頓標記，單個最長 5 秒，一次最多 60 處。配音不含在無限卡里，從點數餘額扣。按 1 元 = 100 點數的基礎檔算，一條 250 字的高畫質旁白是 3 個百字單位，39 點數，大約 0.39 元。登入後每天可以免費試聽開頭一小段（最多 80 字），先聽再決定。以上數字以配音頁當時顯示的為準。

停頓、語速、多音字怎麼處理？

停頓加在哪

標點自帶的停頓往往不夠，尤其是逗號。幾個地方值得手動加：轉折之前，說出一個關鍵數字之前，丟擲一個問題之後，段落和段落之間。可以先按句內 0.3 到 0.8 秒、段落之間 1 秒左右加，這只是個起點，加完整段聽一遍，覺得拖就減。多數配音工具都有「插入停頓」的按鈕或標記寫法。

語速先別亂拉

稿子太長、影片裝不下時，先刪字，別先拉語速。語速拉得太快，聽著趕，字也容易糊在一起。刪掉一句「大家都知道」，比加快 10% 語速舒服得多。

多音字和讀錯的字

常見的坑有：行（háng / xíng）、長（cháng / zhǎng）、重（chóng / zhòng）、還（hái / huán）、調（diào / tiáo）、得（de / děi），還有電話號碼裡的「1」該讀「么」。處理順序是：

  1. 先換詞。比如「重新調整」改成「再改一次」，兩個多音字一起沒了。
  2. 換不了詞，就只在配音稿裡用同音字頂替。比如怕「還錢」被讀成 hái，配音稿裡寫成「環錢」，聽起來是對的。
  3. 所以手裡要留兩份稿子：配音稿可以有同音字、停頓標記、漢字數字；字幕稿保持正確寫法。後面對字幕用的是字幕稿。

英文和縮寫

想讓它按字母讀的（AI、PPT），保留原樣；想讀成中文的，直接寫中文。品牌名最好整段試聽一次，不同聲音的讀法可能不一樣。

為什麼要分段生成，字幕怎麼對上？

一次生成三分鐘，聽到第二分鐘發現一個字讀錯，要麼整段重來，要麼在剪輯軟體裡硬剪，按字數計費的工具還得再付一次錢。分段生成就沒這個問題：按鏡頭或每 30 到 60 秒切一段，檔案按順序命名（01_開場、02_第一點……），哪段錯了只重做哪段。

分段有一個前提：每段用同一個聲音、同一個語速、同一種情緒。設定一變，拼起來像換了個人。把這次用的引數記在稿子開頭，或者用工具裡「複用上一段設定」一類的功能。

字幕有三種對法，按省事程度排：

  1. 每段音訊配一段字幕稿，放進剪輯軟體的時間線，按句子手動拆開。一條一分鐘的短影片，這樣做最快也最準。
  2. 用剪輯軟體自帶的識別字幕，識別完拿字幕稿逐句核對替換。識別難免有錯字，換過同音字的地方更容易認錯，所以要對著字幕稿改，別對著配音稿。
  3. 會一點命令列的，可以用開源的 Whisper 在本地識別生成字幕檔案。它的程式碼和模型權重是 MIT 許可，輸出格式用 whisper --help 檢視。

交稿前的「讀出來彆扭」檢查清單

生成之前把稿子過一遍，下面每條都能打勾再點生成：

倒數第二條最容易被跳過，也最有用：自己讀著卡的地方，AI 讀起來基本也卡。

AI 配音的免費工具和付費工具怎麼選？

挑 TTS 工具，先看兩件事：一個月能生成多少字，生成的音訊能不能商用。音質反而排在後面。

拿 ElevenLabs 舉個例子，它的規則寫得很清楚。價格頁寫著免費版每月 10k credits，文字轉語音大致一個字元一個 credit，具體看所用的模型。官方幫助中心寫明，免費版不含商用授權，不能用於任何商業目的；非商業釋出時，要在標題裡寫上「elevenlabs.io」或「11.ai」。最便宜的付費版 Starter 首月 1 美元，之後每月 6 美元，帶商用授權。

剪輯軟體自帶的文本朗讀，用起來最順手。不過我們沒找到哪家把「朗讀音色做出來的影片能不能接商單」寫成明確的官方條款，所以沒法替你下結論。接商單之前，去翻它的使用者協議，或者直接問客服。

我們的判斷是：自己的帳號偶爾發、不帶貨，免費工具夠用；接商單、帶貨、投廣告，選明確寫了商用授權的付費方案，並把當時的條款截圖存下來，條款會改。帶貨也算商用，這點常被忽略。

為什麼不建議克隆別人的聲音？

因為風險落在你身上，而且已經有法院判過。據人民日報 2024 年 10 月的報道，北京網際網路法院審理過這樣一起案件：配音演員殷某意外發現，自己的聲音被 AI 化後，在一家被告公司運營的平臺上對外出售。法院認定構成侵權，判其中兩家被告公司共同賠償 25 萬元。法院有兩個說法對做影片的人很實用。

第一，AI 生成的聲音，只要普通聽眾能聽出是某個人，就受這個人的聲音權益保護。《民法典》第一千零二十三條第二款規定，對自然人聲音的保護參照適用肖像權保護的有關規定。第二，拿到了錄音的授權，不等於拿到了把聲音 AI 化的授權。

工具方的規則也是這個方向。Fish Speech 的許可證禁止用它生成「模仿可識別自然人的聲音」，除非事先取得本人同意。所以「用某某明星的聲音讀我的廣告」這種需求，本文不講做法。克隆自己的聲音是另一回事，這裡也不展開。

另外，2025 年 9 月 1 日起施行的《人工智慧生成合成內容標識辦法》把「聲音」列為顯式標識的一種形式。發影片時，平臺釋出頁如果有「內容由 AI 生成」一類的宣告選項，勾上就是了。

想自己部署：開源語音合成 Fish Speech 要看什麼？

想在自己電腦上跑，Fish Speech 是常被提到的開源語音合成專案，GitHub 上三萬多星（2026-11-07 查）。README 寫的最新旗艦是 Fish Audio Drama 3；上一代 S2-Pro 有 40 億引數，README 說它小到可以部署在消費級顯示卡上，但沒寫具體要多少視訊記憶體。

許可要仔細看，它不是 MIT 那種隨便用的許可。程式碼和 Drama 3 的權重走 Fish Audio Community License，要點是：

一個月只配幾條影片的人，為它專門折騰顯示卡環境不划算。適合的是要批次生成、不想把稿子傳到外部服務、手上又有顯示卡的人。

常見問題

AI 配音能商用嗎？

看兩件事：工具條款有沒有給你商用授權（比如 ElevenLabs 免費版明確不能商用），以及聲音有沒有模仿某個能被認出來的真人。兩條都沒問題，再按規定標上 AI 生成。櫻桃茶的服務條款裡沒有單獨寫配音成品的商用條款，接商單前可以先問客服確認。

一分鐘大概配多少字？

只能給個估算。櫻桃茶配音頁填好稿子後會顯示預計時長，它的演算法是每個漢字約 0.22 秒，一倍語速下摺合一分鐘 270 字左右。不同聲音快慢差別不小，最準的辦法是用你選定的聲音試聽一段，掐表換算。寫 60 秒的稿子，加上停頓，按 250 字左右準備比較穩。

改稿、配音、配圖、做影片，在櫻桃茶一個帳號裡都能做，註冊送 50 點數，夠先配一條短影片旁白試試。

參考來源

  1. ElevenLabs，Can I publish the content I generate on the platform?（幫助中心），訪問於 2026-11-07，https://elevenlabs.io/docs/help-center/legal/can-i-publish-the-content-i-generate-on-the-platform
  2. ElevenLabs，Pricing，訪問於 2026-11-07，https://elevenlabs.io/pricing
  3. 人民日報，《用AI生成他人聲音構成侵權嗎？（以案說法）》，2024-10-10，https://paper.people.com.cn/rmrbwap/html/2024-10/10/nw.D110000renmrb_20241010_3-19.htm
  4. 中國網信網，《人工智慧生成合成內容標識辦法》釋出，2025-03-14，https://www.cac.gov.cn/2025-03/14/c_1743654685899683.htm
  5. Fish Audio，fish-speech README，訪問於 2026-11-07，https://github.com/fishaudio/fish-speech
  6. Fish Audio，Fish Audio Community License（倉庫 LICENSE），訪問於 2026-11-07，https://github.com/fishaudio/fish-speech/blob/main/LICENSE
  7. OpenAI，whisper README，訪問於 2026-11-07，https://github.com/openai/whisper
  8. 最高人民法院，法答網精選答問（第十九批）人格權專題，2025-05-08，https://www.court.gov.cn/zixun/xiangqing/464401.html

關於本文

本文由櫻桃茶編輯部撰寫，AI 輔助檢索和初稿，編輯逐條核對了來源。ElevenLabs 的條款、Fish Speech 的 README 和許可證、Whisper 的許可是直接讀過的；北京網際網路法院的案件依據人民日報的報道，沒有讀到判決書原文。櫻桃茶配音的聲音數量、價格、字數上限和試聽額度來自 2026-11-07 的線上配音頁配置。本篇沒有做各家工具音質的對比測試，文中的提示詞和清單可以直接拿去用。

相關閱讀

試試 AI 畫圖 · AI 課程

Operated by UK Company CHERRYCHAT LTD · Company Number 16096119 · 客服微信 JsnonoChat · 內容由 AI 生成，請仔細甄別

櫻桃茶·智域GPT

網路有點慢，正在努力載入…