文字转音频

给视频配旁白，或者把一份材料转成音频在通勤时听。

打开「文字转音频」看到的初始界面。由 AI 模型处理，按次消耗积分（以页面标签为准）。AI 生成的结果请自行核实。

决定成品质量的不是音色，是文稿

这是最反直觉、也最有用的一条：换音色带来的改善，远小于改文稿。

为阅读写的句子往往长、从句多、书面词密集，合成出来念稿感很重。同样的引擎，把文稿改成口语化的短句，听感差别巨大。

三个具体改法：

拆长句。 一句话超过 30 字就考虑断开。人说话时会换气，长句合成出来是一口气念完的。

换掉书面虚词。 「其」「之」「乃」「故」这类改成口语说法。

加语气词和停顿。 适当的「那么」「其实」「另外」会让节奏自然，段落之间空一行也有帮助。

三个必须先改的坑

合成引擎对这三类内容的处理常常不符合预期，在文稿里就改成期望读法：

数字——「2026 年」可能被读成「二零二六」或「两千零二十六」；「3.5 万」的读法也不确定。重要的数字直接写成中文。

英文缩写——「API」是逐字母读还是当单词读，不同引擎不同。写成「A P I」可以强制逐字母。

多音字——「重」「行」「长」「解」在人名和专有名词里尤其容易错。这类改成同音替代或调整措辞。

语速怎么定

默认 1.0。

• 0.8~0.9——教学、说明类内容，给听众消化时间
• 1.0——默认，接近正常语速
• 1.1~1.2——资讯类、听众熟悉的内容

别用语速去凑时长。视频配音对不上时长，应该改文稿而不是加速——加速后的语音辨识度明显下降。

输出格式

WAV——无损，用于还要剪辑或混音的场景。

MP3——体积小，直接分发用。

一个现实的预期

合成语音在信息传达上已经够用，在情感表达上仍有明显差距。产品介绍、操作说明、知识讲解适合；需要情绪感染的内容（品牌片、故事）建议真人录。

相关工具

• 音频处理 —— 合成后裁剪、拼接
• 音频转文字 —— 反方向