语音合成听起来假,多半不是音色不好,而是没选对音色、没设对停顿。在「合成声音」里做好三件事——按内容选音色、在关键位置插入停顿、把 AI 文案写成适合朗读的句子,机械感会明显下降。
「选择音色」里会列出可用音色,包括你已经克隆好的声音。判断标准不是「哪个好听」,而是「哪个适合这段内容」。知识科普适合中性、语速稳的音色,偏冷静但不冷硬;新闻播报要更沉、更均匀,句尾不飘;产品介绍可以稍亮、稍快,避免拖沓;课程讲解则要耐听,宁可慢一点,也不要一句三顿。
选定后,用同一句话分别试听两到三个音色,比较的是断句位置和重音落点,而不是只听音色本身。同一个栏目尽量固定一个音色,更新频率高的时候,稳定的声音就是识别度。也不要在一条视频里换三种音色,听众会以为是三个人在说话。如果音色是自己克隆的,先确认它在其它内容里表现稳定,再拿来做长稿。选音色时不妨闭眼听一遍,只看听感判断,页面上跳动的波形反而会干扰判断。
停顿是合成语音「像人」的关键。用逗号堆出来的停顿长短不可控,段落之间又常常连得太紧,听上去像一口气念完。正确做法是用「插入停顿」在三个位置明确加:句子之间、段落之间、转折或重点之前。
经验值可以作为起点:句间 0.3–0.6 秒,段间 0.8–1.2 秒,重点词前 0.3 秒左右,具体以试听结果为准,超过 1.5 秒会显得断裂。列表类内容(第一、第二、第三)每一项前加一次短停顿,听感会清楚很多;设问句后面留半拍,能制造「等答案」的感觉。不要在每个逗号后都加,否则整段会变成机械的一顿一顿,比不加还难听。还有一个细节:数字和英文缩写前后最容易连读,比如「第三点」后面紧跟英文词,听起来会黏在一起,这时在切换语言的位置加一次短停顿,比在句尾加更有效。合成前把文案里的括号、斜杠、破折号清一遍,符号太多会让断句位置变得不可预测,同一段文案两次合成甚至可能得到不一样的结果。
文本域上限 2000 字,写法直接决定合成质量。一句一个意思,长句拆成两到三个短句;少用长定语和括号补充,括号里的内容读出来会很怪;数字、英文缩写先确认读音,必要时改成中文写法;避免表情符号、特殊符号和连续感叹号。专业名词第一次出现时单独试听一遍,确认没读错再继续。文案里保留「所以」「也就是说」这类口语连接词,比书面语耐听。如果试听后仍然不满意,优先怀疑文案本身:同样的音色,换一种更口语的写法,听感往往立刻变化,不必急着换音色。
如果状态变成「已失败」,先检查文案是否为空、是否超出 2000 字、是否忘记选音色,这三类原因最常见。
先挑一个与内容气质相符的音色,写好文案并插入停顿,然后打开 https://clone.geekone.cc/web,进入「语音合成」试听并提交合成任务。
大连极客十一维科技有限公司