你手上有一條短影片和一份稿子，又不太想自己錄 — 沒有安靜的房間，沒有麥克風，或者純粹不想聽到自己的聲音壓在上面。你要的是一條能直接丟到時間軸上的旁白音軌。
最短路徑
- 開啟 文字轉語音工具。首次訪問會把模型下載一次，約 64 MB — 之後它就在快取裡，離線也能用。
- 把你想讓它讀的那句話粘進去。每次生成最多 500 個字元。
- 從 19 個聲音裡挑一個，或者用你自己的一段短樣本克隆一個。
- 生成、試聽，如果斷句不對就改改措辭，然後下載。
不上傳任何東西：模型在你的瀏覽器裡執行，所以你的稿子和你的音色樣本都不會離開這臺機器。如果是客戶還未公開的稿子，這就是「能用的工具」和「不能用的工具」之間的差別。
500 個字元實際是多少
大約 80 個詞，或者約 30 秒的語音。短影片一兩次就夠了，而對一部二十分鐘的紀錄片來說，這個形狀本身就不對。
更長的內容，請 按鏡頭逐條生成 ，而不是整份稿子做成一個檔案。這不是為了繞開限制 — 而是音訊本來就該是這個樣子。按鏡頭分開的檔案可以各自移動、改時長、單獨替換，而重錄一句話也不必把整條旁白重新生成一遍。
克隆一個聲音
這個工具能拿一段短錄音，用那個聲音說出新的文字。真正起作用的是這幾點：
- 一段乾淨的樣本。 克隆會照抄它聽到的東西，包括房間噪聲和嘶聲。如果你的樣本有噪聲，先把它過一遍 降噪 — 這是兩個工具之間比較有用的一種搭配。
- 平常說話，不是表演。 中性的朗讀比戲劇化的朗讀得到的聲音更好用，因為克隆在複製音色的同時也複製了演繹方式。
- 幾秒就夠，更長並不明顯更好。先用一段短樣本試。
一段真人的錄音，除版權之外還可能帶有形象權或人格權；在若干司法轄區，未經同意克隆一個可被辨識的聲音是違法的，不論錄音歸誰所有。用你自己的聲音，或者 19 個內建聲音之一，就完全繞開了這個問題。請看 使用條款第 2 條。
怎麼讓它讀得更好
- 為耳朵加標點。 逗號買來一個短停頓，句號買來一個更長的。把一個長句拆成兩句，通常比調任何引數都更快地修好節奏。
- 把拗口的詞按讀音寫。 人名、縮寫和單位是合成最常出錯的地方，改寫比跟它較勁更快。
- 同一句生成兩次。 每次執行的輸出會略有不同；第二條有時才是你想要的那條。
- 下載為 WAV 如果它要進剪輯軟體就用 WAV，壓縮留到最終匯出再做。
什麼時候這是錯的工具
- 長篇旁白。 一本有聲書或者一部長紀錄片意味著成百次生成。那種情況下，能接收整份文件作為輸入的服務端服務才是對的形狀。
- 手機和老機器。 引擎需要
SharedArrayBuffer，以及一顆夠用的處理器。有些移動瀏覽器和內嵌 WebView 並不提供它。 - 精細的韻律控制。 沒有 SSML，沒有音素編輯器，也沒有逐詞音高。你靠改寫文字來引導它的讀法。
- 按流量計費的網路。 首次載入實打實是 64 MB。
從配音生成字幕
將配音錄音新增到 AI 語音轉文字，生成可編輯的轉寫文字，並匯出 SRT 或 VTT 字幕供影片編輯器使用。每個檔案最長 5 分鐘。
常見問題
不自己錄音的話，怎麼給影片加配音？
把旁白打進一個文字轉語音工具，選一個聲音，然後下載音訊放到時間軸上。瀏覽器裡的工具做這件事不需要帳號，也不上傳稿子 — 模型在你自己的裝置上執行。
一次能生成多少文字？
每次生成最多 500 個字元，大約 80 個詞，或者約 30 秒的語音。更長的稿子請按鏡頭逐條生成；不管怎樣，那都比一個長檔案更好編輯。
能用我自己的聲音嗎？
可以。工具會從一段短樣本里克隆聲音，而你的樣本永遠不會離開你的裝置。請用一段乾淨、平實朗讀的錄音 — 克隆會把房間噪聲和演繹方式連同音色一起復制過來。
生成的配音能商用嗎？
我們對你生成的音訊不設任何限制，也不主張任何權利。約束在聲音這一側：未經同意克隆一個真人，可能侵犯形象權，這和版權是兩回事。用內建聲音或你自己的聲音就能避開。
為什麼首次載入這麼大？
因為在能生成任何東西之前，模型必須先到你的瀏覽器 — 約 64 MB，一次，之後進快取。正是這次下載，換來一個不要帳號、不要配額、不要上傳的工具。