AI 文字轉語音

相關:什麼是 AI 文字轉語音? · AI 聲音複製 · 台詞、旁白與字幕。
AI 文字轉語音的運作方式
現代的文字轉語音系統會經過三個步驟:
- 文字正規化:數字、日期、縮寫與符號會被轉成文字,而且要看上下文決定怎麼唸:「Dr.」在人名前讀作「醫師」,在街道名後面則讀作「Drive」。
- 發音與韻律:文字變成聲音,模型會從整個句子預測重音、停頓、音高與語速,所以問句句尾會上揚,列舉的內容中間會有小小的停頓。
- 音訊:神經模型會產生波形,也就是聲音本身,可以先經過一種稱為頻譜圖的中間聲音圖像,也可以直接產生。
較舊的系統是把配音員錄好的短片段拼接起來,所以在接縫處聽起來會斷斷續續。神經語音則是用許多小時的錄音來訓練,並且每個句子都重新生成,因此同一個聲音能以自然的節奏念出它從未見過的文字。
AI 文字轉語音、AI 語音生成器、TTS:這些名稱各是什麼意思
| 名稱 | 通常指的是 | 典型用途 |
|---|---|---|
| 文字轉語音(TTS) | 輸入文字,輸出以現成聲音念出的音訊 | 旁白、無障礙、朗讀文章 |
| 文字轉聲音 | 同一件事的另一種說法 | 相同 |
| AI 語音生成器 | 文字轉語音加上聲音設計:挑選或描述一個聲音,通常還能複製一個聲音 | 配音、角色、廣告 |
| 聲音複製 | 依據真人錄音建立的新聲音 | 在取得同意的前提下,大量使用你自己的聲音 |
| AI 變聲器 | 語音進,語音出:把你自己的錄音重新配音 | 直播串流、重新配音一段錄音 |
所以被宣傳為 AI 語音生成器的工具,通常就是文字轉語音,只是聲音庫較大、控制較多。變聲器則比較特別:它需要以一段錄音為起點,而不是文字。
如何選擇 AI 文字轉語音生成器
- 語言與口音:確認你需要的確切語言與地區,並聽聽該語言中的聲音;在某種語言聽起來自然的聲音,換到另一種語言可能會聽起來很怪。
- 聲音:用你自己的一段腳本,而不是示範句,在觀眾會使用的裝置上試聽幾種聲音。
- 控制:停頓、強調、語速、音高,以及人名與品牌字的發音清單。許多工具支援 SSML,這正是專門用來做這些控制的標記語言。
- 長文字:一次請求與一個月內能容納多少字元,以及長文字是否會在句尾乾淨地切分。
- 權利:音訊是否可用於商業用途、廣告或有收益的頻道,以及是否需要標示來源。
- 輸出:檔案格式,例如 MP3 或 WAV;若聲音必須在應用程式內運作,則需要 API。
免費 AI 文字轉語音,或免費文字轉語音:免費方案通常限制什麼
免費方案適合用來試聽聲音,而且大多數至少會限制下列其中一項:每月字元數、聲音數量、下載、商業用途,或檔案品質。有些免費線上朗讀工具只會在瀏覽器中播放音訊,不讓你存檔。在用免費方案建立專案之前,先確認你選的聲音也包含在你之後會付費的方案中,並閱讀你要發布的地方的授權條款。
寫出適合朗讀的文字
- 把容易混淆的內容寫清楚:「2/3」可能是「三分之二」,也可能是日期。
- 用標點控制節奏:逗號是短停頓,句號是較長的停頓,新段落則更長。
- 把難唸的名字依照實際讀音改寫,或加入工具的發音清單。
- 句子要短;太長的句子會讓語調變得平板。
- 生成一段,聽過後修改文字,而不是把同樣的字一再重新生成。
影片的 AI 配音:疊在畫面上念,或在場景中說出來
把 AI 聲音放到影片上有兩種方式。常見的一種是配音:把旁白生成為音訊,在剪輯軟體中疊在畫面下,並把畫面剪到與聲音等長。這種方式適合解說、教學與紀錄片,因為畫面中沒有人在說話。
當畫面中的角色必須說出台詞時,單獨的音訊檔就意味著之後要對嘴。較新的影片模型會和畫面一起生成語音,因此說話者的嘴型與文字來自同一次生成。這種方式比較適合戲劇與對白,而不是旁白。
製作你自己的 AI 聲音:複製與同意
聲音複製會依據一段樣本錄音建立聲音;通常錄音越乾淨,就越接近本人。只複製你自己的聲音,或你已取得授權使用的聲音;把這份授權以書面留存,並在說明中標示該聲音為合成。許多服務會拒絕複製知名人士的聲音,而平台也越來越要求創作者標示逼真的合成音訊。
正式投入一個聲音之前,先做五分鐘測試
- 挑出你腳本中同時含有人名、數字和問句的一段。
- 用三種聲音生成這段,並在觀眾會使用的喇叭上聽,例如手機。
- 修正人名與數字的寫法,然後重新生成。
- 對照畫面或你需要的朗讀時間,檢查語速。
- 在生成整份腳本之前,先閱讀你要發布的地方的授權條款。
| 影片上的旁白 | 隨畫面一起生成的語音 | |
|---|---|---|
| 適合 | 解說、教學、紀錄片 | 戲劇、對白、畫面中的角色 |
| 嘴型 | 沒有人在畫面中說話,或事後再對嘴 | 在同一鏡頭中與文字同步動作 |
| 更改台詞 | 重新生成音訊,然後重新剪輯 | 重新生成或重新配音該鏡頭 |
| 聲音 | 任何文字轉語音的聲音 | 為該角色設定的聲音 |
常見問題
SceneMixer 有文字轉語音功能嗎?
沒有單獨的音訊下載。在 SceneMixer 上,每個角色的台詞都在生成的影片中以該角色設定的聲音說出,說話者的嘴型也會隨著文字一起動。
SceneMixer 上的聲音免費嗎?
聲音隨影片一併提供,不另外收費:新的 SceneMixer 帳號起始有 50 積分,預設檔的影片每秒 10 積分,為角色配上聲音則不收費。
如何為角色選擇聲音?
在 SceneMixer 上,每個角色的聲音可以用文字描述,例如年齡、音色與語速,也可以從聲音庫中選擇預設聲音,並在選定前先播放試聽。
我能製作自己的 AI 聲音嗎?
在 SceneMixer 的付費方案中,你可以上傳一段你有權使用的錄音,作為某個角色的聲音,並會用於該角色說話的每一個片段。
如何加入 AI 旁白?
在 SceneMixer 的分鏡中,把台詞備註以 (voice-over) 開頭:這句台詞會在鏡頭中被聽見,而畫面中沒有人會動嘴。
台詞能聽起來生氣、疲憊或耳語嗎?
可以。在 SceneMixer 上,每句台詞都可以附上括號內的演出備註,例如 (low, steady),並會依此演出。
角色說哪一種語言?
專案的對白語言,於 SceneMixer 第一步選定。請用該語言撰寫台詞;聲音就是以該語言說出來的。
影片做好後,我能改台詞嗎?
可以。SceneMixer 的「改臺詞」會替換已完成片段中的一句台詞,而它的「原聲」選項會保留該片段中說話者的聲音。
我能複製名人的聲音嗎?
不行。SceneMixer 只接受你自己的聲音,或你已取得授權使用的聲音。
這是需要安裝的 AI 文字轉語音軟體嗎?
不是。SceneMixer 在瀏覽器中執行,在 Android 上則是應用程式;聲音會與影片一併在其伺服器上生成。
2026年11月20日更新