你有沒有試過，拍好一段短片、剪好畫面，最後卡在「配音」這一關？自己錄，環境有雜音、聲線又生硬；找配音員，一句報價就幾百港幣起跳，還要等檔期。過去這一步幾乎是個人創作者的死穴，但這幾個月開源語音模型的進化，已經把門檻壓到接近零。

上星期 Hugging Face 上有一款叫 Fish Audio drama-3 的語音模型衝上熱門榜，一週內累積 561 個讚、下載量突破六千次。它主打的是「文字轉語音」加上情緒與語氣控制，而且支援多語言。這篇文章就帶你由零開始，用這類開源 TTS（Text-to-Speech，文字轉語音）工具，做出一段可以放上 YouTube、IG Reels 或小紅書的配音。整個流程熟練之後，一條一分鐘的片，配音部分真的五分鐘內搞定。

為什麼現在才值得學 AI 配音？

先講清楚一件事：AI 配音不是新東西，YouTube 上早就有一堆機械聲。但過去兩年的模型有三個明顯痛點——語氣平、斷句怪、講廣東話會「黐線」。你叫它讀「香港天氣潮濕」，它可能讀成「香港天氣潮，濕」。

新一代模型的突破在於「參考音頻」技術。你只要給它一段 10 到 30 秒的真人錄音，它就能模仿那個人的音色、語速、甚至說話的節奏感。這代表你可以用自己的聲音做樣本，生成無限條配音，不用每次重錄；也可以生成一個完全虛構的「AI 主持」，長期幫你的頻道旁白。

對香港和台灣的創作者來說，還有一個實際好處：同一個劇本，你可以一鍵生成廣東話版、國語版、英文版，同一條片賣三個市場。這種「一次製作、多語發佈」的能力，以前只有大品牌才有預算做。

第一步：揀工具與安裝環境

目前最親民的兩條路，一條是網頁版，一條是本機跑。網頁版好處是零安裝，壞處是免費額度有限、而且你的錄音會上傳到別人的伺服器。本機跑則相反，要一點技術，但完全免費、私隱自己掌握。

如果你想試本機方案，最簡單的入門方式是用 ComfyUI 或 Pinokio 這類一鍵安裝器。以 Pinokio 為例，安裝好之後在裡面搜尋 TTS 相關的應用，點兩下就會自動幫你下載模型和依賴，整個過程不用打一行指令。對於不想碰終端機的讀者，這是最省時的路。

如果你有一點基礎，用 Python 環境直接跑會更靈活：

pip install fish-speech

安裝完成後，第一次執行會自動下載模型權重，視乎網速大概要 5 到 20 分鐘。建議在晚上或者放着讓它跑，不要盯着進度條，會很痛苦。

至於硬件，這是很多人的疑問。其實這類語音模型對顯示卡的要求遠低於圖像生成。一張 8GB VRAM 的顯示卡（例如 RTX 3060）已經足夠跑得不錯；沒有獨立顯示卡的話，用 CPU 跑也可以，只是生成一分鐘音頻可能要等兩三分鐘。如果你只是想試試水溫，先用網頁版，覺得合用再投資硬件。

第二步：準備你的「聲音樣本」

這一步是整個流程的關鍵，也是九成人做錯的地方。很多人隨便錄一句「你好，我係阿明」就丟進去，結果出來的聲音忽快忽慢、情緒不穩。原因是樣本太短、太單一，模型無從判斷你平時講話的節奏。

正確做法是錄一段 15 到 30 秒、內容有起伏的說話。例如你可以讀一段新聞，裡面有陳述句、有問句、有停頓。錄音時注意三件事：第一，環境要安靜，關掉冷氣和風扇，最好在衣櫃前錄，衣物吸音效果奇佳；第二，麥克風距離嘴巴約一個拳頭位，太近會有噴氣聲；第三，用平常說話的語速，不要刻意「播音腔」，因為模型會照抄你的誇張語氣。

錄好之後，用免費的 Audacity 做基本清理：移除背景噪音、標準化音量到 -3dB。這兩步加起來不用三分鐘，但對成品質素有明顯影響。

有一點要特別提醒：不要用別人的聲音做樣本。用明星、網紅、甚至你朋友的錄音去生成內容，在香港和台灣都可能涉及肖像權與聲音權的爭議，平台亦會主動下架。用自己的聲音，或者用模型內建的虛擬聲線，才是最安全的做法。

第三步：文字稿這樣寫，AI 才讀得順

很多人以為 AI 配音難聽是模型的問題，其實八成是稿寫得不好。AI 不像人類配音員會「理解」句子，它只會按標點和音節判斷停頓。所以你要主動幫它。

第一招是用標點控制節奏。逗號代表短停，句號代表長停，破折號代表拉長。例如「這款手機——真的很輕」，出來的效果會比「這款手機真的很輕」有戲劇感。

第二招是把數字和縮寫寫成口語。「2026年」要寫成「二零二六年」，「$500」要寫成「五百蚊」或「五百元」，視乎你用廣東話還是國語。「AI」在廣東話稿裡最好寫成「A-I」分開，否則有機會讀成一個怪音。

第三招是短句優先。一句話超過二十個字，AI 就容易氣息不足、尾音變弱。與其寫「我們今天要介紹的這款由本地團隊開發的應用程式」，不如拆成「今日介紹一款App。佢由本地團隊開發。」

寫好稿之後，強烈建議你先用系統內建的朗讀功能讀一次給自己聽。耳朵是最誠實的編輯，哪裡卡、哪裡怪，一聽就知道。

第四步：生成、試聽、微調

真正按下生成的那一刻，通常幾十秒就有結果。第一次聽，你可能會覺得「咦，幾好喎」，但再聽第二次就會發現問題：某個字讀錯音、某句尾音拉得太長、情緒跟畫面不搭。

這時候不要整段重做，而是逐句生成。把稿拆成一句一句，哪句不滿意就只重生成那句，最後用剪輯軟件拼起來。這樣做雖然多幾個步驟，但成功率遠高於一次生成整段。

參數方面，通常有幾個可以調：語速（speed）、情緒強度（emotion）、以及隨機度（temperature）。語速建議維持在 0.95 到 1.05 之間，太快聽不清楚，太慢會悶。情緒強度視內容而定，教學片用中低，廣告片可以調高。隨機度越低，每次生成的結果越穩定，做系列影片時建議調低，保持一致性。

生成好的音頻，記得匯出成 WAV 或高品質 MP3，不要用壓縮過度的格式，否則後期加背景音樂時會聽到雜訊。

第五步：後期加工，讓它像「人」

純 AI 配音最大的破綻是「太乾淨」。真人說話一定有呼吸聲、有口水聲、有微微的環境音。所以要讓成品自然，你需要做兩件事。

第一，加背景音樂和環境音。一段輕微的室內環境音（例如咖啡店、鍵盤聲）鋪在底層，音量調到 -30dB 左右，人聲就會立刻「貼地」很多。

第二，手動加呼吸點。在句子與句子之間，插入 0.3 到 0.5 秒的空白，偶爾加一個極輕的吸氣聲素材。這一步很瑣碎，但做與不做，觀眾的「違和感」差很遠。

最後，把所有音軌混好，人聲維持在 -6dB 左右，背景音樂 -20dB 以下，用耳機和手機喇叭各聽一次。很多片在耳機好聽，用手機一放就散，兩者都要過關才算完成。

延伸閱讀

常見問題

Q: 完全沒有技術背景，真的做得來嗎？

A: 做得來。建議由網頁版工具入手，註冊後把文字貼進去、選聲線、按生成，整個過程不用五分鐘。熟練之後再考慮本機安裝，那時你已經知道成品長什麼樣，會更有動力克服技術門檻。

Q: 廣東話配音的效果好嗎？會不會很奇怪？

A: 明顯比一兩年前好很多，尤其是短句和日常對話。但遇到大量專有名詞、英文混雜的句子，仍然有機會讀錯。建議把難讀的字用同音字替代，或者拆句處理，效果會穩定得多。

Q: 用 AI 配音的影片，平台會限流嗎？

A: 目前 YouTube、IG 等平台並沒有限制 AI 配音，但要求你在涉及合成媒體時作出披露。真正會被限流的是「大量重複、無原創內容」的影片，而不是配音方式本身。內容有價值，AI 配音反而是加分。

Q: 需要買很貴的麥克風嗎？

A: 不需要。錄製聲音樣本時，一部中階手機的收音已經足夠，關鍵是安靜環境和正確距離。與其花錢買麥克風，不如花時間找一個沒有回音的房間。

Q: 生成一條一分鐘影片的配音，大概要多久？

A: 熟練之後，寫稿十分鐘、生成兩分鐘、後期混音五分鐘，總共約二十分鐘。如果只是短影音（30 秒內），五分鐘內完成是完全現實的。