如何为 YouTube 视频和播客制作 AI 配音

被叫作“文本转语音”的，其实是两种东西

这个说法涵盖了两种听起来完全不同的技术，关于合成配音的大部分误解，正是从这里开始的。

第一种是操作系统内置的语音合成器，网页通过 Web Speech API 调用它。当前的各款浏览器都提供这个接口。它免费、即开即用、无需下载，音质从尚可到一听就是合成音不等，取决于您的电脑上恰好装了哪些语音。

第二种是神经网络模型，它根据文本预测出波形。人们说“AI 语音”时，指的就是这种。它听起来像一个会呼吸的真人，要么运行在别人的服务器上，通过付费 API 调用；要么以模型文件的形式运行，而这个文件大到下载它必然是有意为之，而不是一不小心。

本站工具的播放功能属于第一种。语音列表不是我们提供的，而是您的操作系统自带的。所以同一个页面在 Windows、macOS、Android 和 iOS 上听起来各不相同，同事推荐的某个语音也可能根本不会出现在您的下拉列表里。语速和音调滑块调整的是这个系统语音，并不会切换引擎。

决定一切的限制：无法录制

介绍浏览器配音的文章往往会跳过这一点。Web Speech API 没有给网页提供任何捕获自身音频的途径。

网页调用 speechSynthesis.speak() 时，浏览器会把音频直接送到系统的输出设备。这个 API 不返回媒体流，不返回 Web Audio 节点，也不返回采样缓冲区。没有东西可以接到录音器上，也没有东西可以编码。网页可以开始朗读、暂停和停止，但无法保存。

这带来一个很直接的后果：任何提供 Web Speech 语音下载的浏览器工具，给您的都不是您刚才听到的那个声音。它是用别的方式生成了音频，再把那段音频交给您。

本站的下载按钮也不例外。与其让您照着生成的音频剪完视频才发现，我们宁愿在这里先说清楚。预览播放的是您操作系统的语音。下载则由页面内运行的一个小型共振峰合成器写出 WAV 文件：声门声源经过共振滤波器，再逐个字母拼接而成。这是实打实的信号处理，但不是神经网络语音。请把预览和下载看作两个毫不相干的输出，在围绕它做任何计划之前，先把文件听一遍。

如果您需要的正是预览里听到的那个声音，唯一的办法是在浏览器之外录制。在 Windows 上，通常要在声音设置中启用“立体声混音”这类回环输入。在 macOS 上，则需要安装虚拟音频设备，把系统输出导入录音软件。两种方法录下的都是扬声器本该播放的声音，而这也是任何人能接触到这些语音的唯一途径。

授权实际上允许您发布什么

录下音频是技术问题，发布它则是法律问题，而这两者经常被混为一谈。

这些语音属于 Microsoft、Apple、Google 或您的 Android 设备厂商。它们作为操作系统的一部分授权给您使用，而这份授权针对的是使用您的电脑。它并不自动赋予您录下输出、放进获利视频的权利。条款因厂商而异，往往还因具体语音而异；有些语音带有仅限个人使用的限制，界面上却从不提及。在把一段合成朗读用于任何商业用途之前，请查清您所用的那个语音的具体条款。付费文本转语音服务之所以收费，部分原因就在于它们的授权以书面形式回答了这个问题。

YouTube 自己的规则是另一回事，而且常被误读。获利政策针对的是批量生产、重复性强、缺乏原创贡献的内容，而不是合成配音本身。一个制作精良的视频，不会因为用了合成配音就失去获利资格。一个不停地把机器朗读的文章配上素材库画面的频道才有问题，而且请真人配音也解决不了。审核人员关心的是视频有没有带来新东西，而不是谁念了这些词。

浏览器语音真正派得上用场的地方

不再把它当作最终配音，它就成了一个相当好用的工具。下面这些事它做得很好。

• 给脚本计时。按字数估算朗读时长并不可靠。把脚本粘贴进去，把语速调到接近您自己说话的节奏，然后听一遍。在预订录音棚或坐下来录音之前，您就能知道真实时长。
• 找出念不顺的句子。合成器卡壳的地方，真人也会卡壳。冗长的从句、没有标点的列举，以及读音随意思变化的多音字，几秒钟内就会暴露出来。
• 制作临时音轨。把合成朗读放进剪辑时间线，照着它剪视频，之后再换成正式录音。因为节奏早已定好，剪辑点依然对得上。
• 校对自己写的东西。把一段文字听一遍，就能发现重复的词和漏掉的词，而用眼睛看时，往往会不知不觉地把它们自动补全。
• 粗略检查无障碍体验。如果一段文字由合成语音读出来让人困惑，那么对依赖这类语音的人来说，它同样令人困惑。

如果您需要可以发布的配音

自己录。在挂着窗帘、铺着地毯、摆着软体家具的房间里，一支普通的 USB 麦克风，只要内容需要个性，就胜过任何合成语音，而且这套设备的花费比大多数订阅服务一年的费用还低。业余录音听起来业余，主要是房间的问题，不是麦克风的问题。

或者付费使用文本转语音服务。您会得到可以下载的文件、戴耳机细听也站得住的声音，以及书面的商业授权。如果要大量制作长篇旁白，这是明智的选择。

或者在自己的电脑上运行神经网络模型。有好几种模型能在普通电脑上运行并生成音频文件，不按字数收费，也没有任何东西离开您的桌面。代价是要花时间配置，还要占用磁盘空间。

本站这个工具的位置在这一切之前，而不是取代它们。想听听一份脚本念出来是否顺畅，这是最快的办法。之后录什么，是另一个决定，值得想清楚再做。