一、先弄清声音为什么听起来「假」

合成语音的生硬感,九成来自三件事,而且这三件事都发生在你点击「合成」之前:

  1. 断句不是你想要的断句。引擎主要依靠标点判断停顿。你写了一段没有逗号的长句,它就会一口气读完。
  2. 不该读出来的东西被读出来了。「2026」「3.5%」「API」「e.g.」这些写法,引擎会按自己的规则念,经常与你的预期不同。
  3. 整段语调没有起伏。从头到尾用同一个语气读,听十几秒就会疲劳——这不是音质问题,是节奏问题。

所以调优的第一步不是去找参数,而是先把文本改成适合朗读的样子。下面几条都是围绕这一点。

二、把书面语改成口语

书面语里的长定语、括号补充、嵌套从句,读出来会非常别扭。判断标准很朴素:这句话你自己会这么说吗?

举例。书面写法是「本产品(含标准版与专业版)支持批量处理能力」,朗读稿应该拆成两句:

「本产品支持批量处理。标准版和专业版都有这个功能。」
信息量完全一样,但后者读出来是顺的。

另外把连接词显式写出来。「因此」「不过」「换句话说」这些词在书面语里可有可无,在语音里它们承担了提示听众「要转折了」的作用,听感上会自然很多。

三、标点就是停顿指令

把标点理解成给引擎的停顿符号,会直观很多。常用的几档:

标点大概停顿用途
、很短并列词之间的轻停顿
,短句内分隔,最常用
;中并列分句
。!?长句末,最明显的停顿
……较长拖尾、意犹未尽

实操上有两个技巧很管用。一是该断的地方宁可多断——多一个逗号最多是停顿稍多,少一个逗号会变成一长串听不出层次的话。二是想制造更长的停顿(比如段落之间的呼吸感)时,用换行或干脆拆成两句,比连打三个感叹号可靠。

四、数字、英文和缩写怎么处理

这是最容易被忽略、也最容易出戏的一类问题。常见的处理方式:

  • 年份和数量:一般直接写数字即可,多数引擎能读对。遇到会被逐个数字念出来的情况,改成中文写法(「2026」写成「二零二六」)最稳妥。
  • 百分比、单位:「3.5%」有时被念成「三点五百分号」,写成「百分之三点五」就没歧义。
  • 英文缩写:「API」「CPU」这类,不同引擎处理不同,有的逐字母念、有的当单词念。不确定就先合成一小段试听。
  • 网址和邮箱:几乎一定会读错。除非必要,不要放进朗读稿;要读就拆开写,比如「panxsc 点 c y o u」。

原则只有一条:凡是你不能确定它怎么读的,就先改成没有歧义的写法。改文字比调参数快得多。

五、语速、音调、音量的合理区间

这几个参数不是越大越好,很多「像机器」的听感其实是参数调过头造成的。经验区间:

参数建议区间说明
语速默认上下浮动 10% 以内中文听感舒适区大约每分钟 220–260 字
音调默认 ±5% 内调太高会尖,调太低会闷
音量保持默认音量留到后期统一处理,不要在合成阶段压

需要强调某一句时,正确的做法是单独调这一句的参数(语速略慢一点),而不是把整段都放慢。整段放慢会显得拖沓。

六、不同用途的推荐配置

按场景给一组起手值,可以直接当默认用,再按听感微调:

用途语速音调备注
视频旁白 / 讲解默认或略慢默认句子之间留一点停顿
有声内容 / 文章朗读默认默认重点在断句,参数少动
短视频口播略快默认或略高节奏紧,句子要短
提示音 / 播报默认默认一段内不要超过两句
外语学习材料慢默认句子拆到不能再拆

如果平台提供多个人声,试听时重点不是「哪个好听」,而是哪个的断句习惯更接近你要的效果——人声之间的差别,很大一部分在停顿处理上。

七、导出的音频怎么用

合成结果通常是 MP3。几个实际会碰到的问题:

  • 开头有空白:多数工具会在首尾留一点静音,导入剪辑软件时手动裁掉即可,不要用「淡化」去掩盖。
  • 音量不一致:多段分别合成时,音量可能略有差异。放在同一轨后统一做一次响度归一,比逐段调更省事。
  • 版权与用途:合成音频能不能商用,取决于你使用的服务条款。用它朗读他人作品时,还需要另外确认原作品的授权范围。

最后一点提醒:听一遍再交付。尤其是包含数字、英文、专有名词的段落,机器读错的方式往往出乎意料,耳朵过一遍是成本最低的保险。