2000 字的长文案怎么合成才不崩?答案是分段。文本域上限 2000 字,一次塞满既难改,也容易在中间出错;按语义切成 150–300 字的若干段,统一音色分别提交,再按顺序拼接,长音频同样能保持稳定。
单次合成长度越接近上限,试听和返工的成本越高:一句话读错,整段都要重来。分段之后,每段都是独立任务,哪段有问题只重做哪段,其他部分不用动。对于需要反复改稿的口播稿,这个差别非常明显。
分段还有一个隐性好处——停顿更可控。段落边界天然就是停顿点,比在长文本里到处插入停顿更自然,也更省事。代价是需要拼接,但只要命名和格式统一,这一步几分钟就能完成。实操上,一篇 1800 字的口播稿切成 6–8 段比较合适,每段大约 30 秒到 1 分钟,回听时也容易定位到问题句。太短会让拼接点变多,太长则失去分段的意义。还有一个实际好处:分段后每段字数接近,语速和情绪更统一,长稿中段常见的「越念越急」会明显缓解;后续改稿时也只需替换其中一两段,不必整篇重做。
分段的第一原则是「切在意思结束的地方」。在段落处切,不在句子中间切,避免出现半句起音、尾音被截断的情况。其次才是控制长度:单段 150–300 字,既方便返工,也不至于拼接点过多。
切完之后把每段开头读一遍,听起来像独立的开头,就说明切在了正确位置;如果读起来必须接上一句才通顺,说明切早了,需要合并或后移。
切段时还要留意承接关系。有些段落开头是「这一点」「所以」,单独合成时听不出指向,可以在前一段结尾把结论说完整,或把转折词挪到下一段开头,避免某一段听起来像没说完。也不要把一段完整论证拆成两半,拼接后语气的落差会很明显。
先把每段导出成同一种格式和采样率,再按编号顺序拼接。段与段之间留 0.5–0.8 秒空白,比直接硬接自然;上一段结尾语气已经收住,空白可以短一些,如果是转折,就留长一点。音量不要逐段单独调整,统一用同一个增益,否则听起来忽大忽小。片头片尾若要用同一句开场白,单独合成一次后复用,不要每段都带开场。拼完从头到尾听一遍,重点听接缝处有没有突然断气、语速跳变、尾音被吃掉。如果某一段明显比其他段快或慢,不要用变速拉伸去凑,拉伸会让人声发闷;正确做法是回到合成那一步,把那一段的停顿和断句重新调好再导出。
这五项都过了再导出,能省下大量返工时间。
把长稿按语义切成若干段并编号,然后打开 https://clone.geekone.cc/web,进入「语音合成」,逐段选择音色、插入停顿并提交合成任务。
大连极客十一维科技有限公司