如何用免费的文本转语音制作 YouTube 配音

先写文字，再选声音。像给朋友讲解这个话题那样去写：句子简短，一次只讲一个观点，开头清楚地告诉观众他们能收获什么。有关数字、人名和标点的详细技巧，请阅读我们的为文本转语音撰写脚本指南。

粗略来说，自然的旁白语速约为每分钟 130 到 160 个词。因此，一个 5 分钟的视频大约需要 650 到 800 个词的脚本。

选择与主要观众语言和口音一致的声音，然后用脚本中真实的一段文字测试您最看好的几个候选。讲解视频和教程通常最适合语速正常、沉稳清晰的声音；短视频则可以用更明亮的声音和稍快的节奏。我们的如何选择合适的 AI 语音指南会带您走完整个过程。

选定之后，记下声音名称和设置，并在整个频道中沿用。一致的声音会成为您频道辨识度的一部分。

按场景或段落拆分脚本，而不是一次生成全部内容。在工作室中，每次请求最多可容纳 2,000 个字符，足以轻松放下大多数段落。分段生成有两个好处：修改某一部分时无需重做其余内容，而且每个文件都能自然地对应剪辑软件中的一个场景。

按顺序给文件命名（01-intro、02-problem、03-step-one……），这样把它们拖进时间线时顺序就不会乱。

• 用标点和停顿标签在重点之前和步骤之间留出喘息的空间。
• 在每个文件的开头和结尾留一小段静音，这样在剪辑软件中剪切时会更干净。
• 如果观众需要跟着屏幕操作，请稍微放慢语速，而不是加入很长的停顿。
• 如需与画面剪辑点精确对齐，请在视频剪辑软件中裁剪或延长静音；这比修改脚本更精确。

把旁白文件导入视频剪辑软件，放在单独的音轨上。然后：

• 让人声清晰地处于最上层。 背景音乐的音量应明显低于旁白；在人声说话时再进一步压低（即“闪避”处理）。
• 检查整体响度。 在线视频平台会对响度进行标准化处理。许多创作者会把最终混音的整合响度控制在大约 -14 LUFS，但最重要的是，语音要从头到尾都清晰、一致。
• 用手机试听。 大多数观众会通过手机扬声器或耳塞收听您的视频，所以发布前请在这些设备上检查混音效果。
• 添加字幕。 您手头已经有脚本，添加字幕很容易，而且能帮助静音观看的观众以及听障人士。

各平台会定期更新关于合成媒体的政策。发布之前，请查看 YouTube 当前关于披露经修改或合成内容以及关于获利的规定。基本原则如下：

• 绝不要用合成声音冒充真实的人，或制造某人说过其实并未说过的话的假象。
• 当平台要求时，或观众可能因此被误导时，请坦诚告知观众旁白是 AI 生成的。
• 确保您的内容能带来真正的价值：原创脚本、研究、画面和剪辑。只是把复制来的文字读一遍的视频，观众体验很差。
• 请阅读我们的使用条款，了解适用于本网站所生成音频的规则。