如何创建人工智慧语音/旁白

广告使用联盟推广链接。

用一张照片制作 INMU KING 舞蹈 →

目录
  1. AI 语音可以做什麽
  2. 视频创作者使用AI音讯的场景
  3. ElevenLabs的使用流程
  4. 让它听起来自然的技巧
  5. 我可以将其用於商业目的吗?
  6. 不仅创建 AI 音频,还创建一组「字幕」
  7. 使用AI时,甚至MV中的歌声
  8. 实际使用前的检查清单
  9. 与AI视讯结合范例
  10. 阅读下一篇文章
  11. 参考资料

即使只是用AI制作的视频,如果旁白和对话都是机械的,它立刻就看起来像一个产品。 AI语音已经到了不仅可以用TTS朗读文本,还可以调整说话风格、情绪、语速,在Studio中调整演讲长度,并实现多语言化。此过程对於音乐录影带短剧、解说视频、短视频和人物介绍特别有效。

AI 语音可以做什麽

最基本的是文字到语音,这是从文字创建音讯的能力。输入脚本,选择声音,然後将产生的音讯传送到您的视频编辑软件。除了简单地朗读之外,根据服务的不同,您还可以指示用户表达大笑、窃窃私语或兴奋地说话等表情。

此外,还有Speech to Speech(将现有的声音和表演更改为不同的音调)、Studio(安排多个声音来准备长作品)以及配音和本地化为其他语言。由於支援的语言和指定动作的方法因模型而异,因此我们将产生一个简短的日语脚本来检查如何阅读它。

视讯创作者使用AI语音的场景

1. 解释性叙述

对於如何制作AI视频、新闻、排名、产品介绍等视频,请检查阅读量和音量,以便您可以听到解释。 AI语音的强大之处在於,你可以在修改脚本後立即重新建立语音,而不必每次都自己录制。

2. 人物线条

这可用於包括音乐录影带前後的短剧、一个角色说的几句话或多个人的对话。透过为相同角色指派相同的声音,您不仅可以将人物固定在影像中,还可以固定在声音中。

3.海外配音

制作出日文版後,如果想将其扩展为英文、中文等,不仅改变字幕,而且改变音频,都会大大改变观看体验。尤其是对於 Shorts 和 TikTok,用户可能会在阅读萤幕上的文字之前离开网站,因此音讯本地化可能会有效。

4. 临时叙述

最终,即使对於使用人类解说员的视频,人工智慧也可以在编辑阶段用作临时声音。您可以在实际录制之前决定脚本长度、剪辑长度和字幕位置,从而减少编辑过程中的重工。

如何使用十一实验室

输入台词,在 Text to Speech 选声音并生成。先试一句;声音与念法确定後,再做後面的内容。依段落或台词分开,就能只重做失败的部分。

关键是把脚本改成朗读。 如果直接阅读网路文章的文本,句子会太长或括号太多,难以理解。缩短每个句子,并根据需要将数字和字母字元的读法更改为平假名或片假名。

在视频编辑方面,建议先将音讯放到时间线上,然後再与视频进行配对。当声音不自然地被切断时,人们往往会感到不舒服,所以我们首先确定叙述间隔,然後在它们之间安排AI视频和图像。

使其听起来自然的技巧

将句子从“书写文字”改为“口语文字”

避免将多个主题塞进一个句子中,并使其足够长,以便听众能够理解其中的中断。例如,「产生语音後,建立字幕并调整音量」可分为「建立语音後,新增字幕,最後调整音量」。

使用标点符号作为方向

逗号和标点符号会影响声音之间的关系。只需将重要的单字分解成较短的句子,就会更容易听到。根据生成模型,您可以使用语音标签和情感表达,这样您就可以仅在必要的场景中增强您的表演。

不要给一切同样的张力

如果是30秒的短视频,可以用力按,但如果是讲几分钟,还有讲解视频,一直喊就会累。根据情况改变,例如让引言变得更强一些,解释变得更平静,结论再次变得更强。

不要以为只有音讯就完整了。

如果在编辑时加入背景音乐、环境声音和音效,声音中的不适感就会变得不那麽明显。使用压缩器或均衡器均衡音量也很有效。我们不仅调整AI音讯的质量,还调整「整个视讯的声音」。

可以商用吗?

ElevenLabs 在其官方页面上告知,付费方案包括将产生的音讯用於商业用途的权利。例如 YouTube 视频、播客、广告、有声读物、电影、游戏和应用程式。另一方面,免费计划供个人和非商业用途使用,并且需要归属。

允许商业使用并不意味着允许自由转载他人的声音。 未经他人许可复制他人声音,或将名人未曾说过的内容制作成名人本人说过的内容,均须遵守其他权利以及条款和条件。

基本规则是使用您有明确使用权的材料,例如您自己的声音、公司角色和获得许可的表演者。在广告中使用时,避免使用「似乎得到了相关人员认可」的表达方式尤其重要。

不仅可以创建AI语音,还可以创建一套“字幕”

音讯完成後,我们根据音讯创建字幕。如果将字幕切成一两行,而不是按原样显示整个文本,那麽在智慧型手机上阅读字幕会更容易。透过让语音和字幕同时出现,您还可以支援静音观看。

对於多语言开发,还有一种方法可以将日语音讯、英语音讯和中文音讯导出为单独的视讯。如果视频可以共享,那麽一次创建的人工智慧视频就可以在多个市场重复使用。然而,文化笑话和网路梗在字面翻译时就失去了意义,因此需要「本地改写」而不是翻译。

当使用AI甚至MV中的歌声

旁白和唱歌是两个不同的东西。 如果我们想使用人工智慧创作音乐本身,我们将使用Suno等音乐生成服务,而对於对话和旁白,我们将使用ElevenLabs。 Suno 的付费方案为您提供经许可下载的自己歌曲的商业使用权,但免费歌曲和其他人的混音的条款有所不同。

结合多种服务,例如“用於音乐的 Suno、用於对话的 ElevenLabs、用於视频的 Runway 或 Veo、用於後期制作的 Premiere”,将成为 2026 年 AI MV 制作的自然结构。

实际使用前的检查清单

  • 如果您想货币化,您是否检查过付费方案的商业使用条款?
  • 您是否已确认该人对於要复制的声音的权利和许可?
  • 您的剧本中是否大量使用了其他人的受版权保护的作品?
  • 就广告而言,该表达方式是否看起来像是真人在推荐该产品?
  • 您是否将长句子分成易於修改的单元,而不是一次产生所有单元?
  • 你检查过最终的音量,包括字幕、BGM、音效吗?

与AI视频结合范例

对於 30 秒的角色介绍视频,首先创建一个图像,然後使用 Runway 等生成约 5 秒的多个动作。之後,我使用 ElevenLabs 创建了 15-20 秒的台词,​​并仅对必要的剪辑进行口型同步。最後使用Premiere来搭配语音、视讯、BGM、字幕。

你不必让每一个剪辑都说话。只需对两个特写镜头进行口型同步并展示其余人的行走和背景就足以制作MV。仅在「显眼的地方」使用高成本的AI流程才是高效的。

阅读下一篇文章

参考资料