AI 文字转语音基本流程：文本 → 选音色 → 生成音频 / 合成视频
AI 文字转语音的定位
录咖六件套里，AI 文字转语音是最通用的底层工具——任何需要「把文字变成声音」的场景都能用上：短视频旁白、有声书朗读、课程配音、广告宣传、AI 视频生成的配音轨……和 AI 视频翻译里的配音不同，AI 文字转语音的输入是文字（不是视频），所以它的使用范围更广、灵活性更高。
核心流程：四步搞定
第一步：输入方式选择
进入 AI 文字转语音功能页，中间工作区最上方有三个标签——三种输入模式：
模式一：单一文本（Text Input）
最常用的模式。直接把文字粘进文本框，AI 会自动分段、按标点停顿、用选定的音色朗读。适合写好旁白后直接生成音频的场景。
文本框没有明确的字符数限制，但太长的文本建议分段处理（比如每次 500~1000 字），避免 AI 在长文本里出现断句错误。
模式二：AI 翻译文本（Translate & Speak）
在输入文本的同时，指定目标语言，AI 会先把文本翻译成目标语言、再用目标语言的音色朗读。
示例：输入一段中文产品介绍 → 目标语言选英语 → AI 翻译成英语 → 用英语音色朗读。
这条路线的好处是文字输入和目标语言输出一次完成，不需要先翻译文字、再单独生成语音。适合跨境电商、多语种内容快速制作。
模式三：多种创意模式（Creative Modes）
录咖 AI 文字转语音还内置了两种创意模式（名称以实际版本为准）：
- AI 写作 + 朗读：输入一个主题（比如「写一段护肤霜的产品介绍文案」），AI 自动生成文案 → 再朗读出来。这是一步到位的「从主题到音频」
- 随机故事：AI 自动生成一个小故事、朗读出来，适合儿童内容或灵感激发
第二步：选音色
选音色的方法和 AI 视频翻译里的配音选法一样（详见 04 组 音色怎么选）——录咖共享同一个 50+ 音色池，按语言和情感标签分类，每个音色都可以试听 3~5 秒。
第三步：参数微调
参数面板里还有几个高级选项：
语速（Speed）
默认 1.0×，范围大约是 0.5× ~ 2.0×。调慢适合朗诵和儿童内容；调快适合快速口播和短视频旁白。选音色时可以顺便把语速也调好，省得后期再改。
停顿（Pause）
AI 会根据标点自动停顿，但你可以手动插入停顿标记（比如 [pause=1s] 或类似语法，具体以官方语法为准），让关键句子之间留出呼吸空间。
音量（Volume）
输出音频的整体音量大小。如果后续要和背景音乐混合，建议把 TTS 输出音量设低一点（0.7~0.8），给背景音乐留空间。
第四步：生成 + 导出
参数确认好后点「开始生成」，几秒钟到一分钟出结果（取决于文本长度）。
输出区出现：
- 内置播放器：直接预览生成的语音效果，判断音色、语速、停顿是否合适
- 重新生成按钮：不满意直接换音色 / 调语速 / 改停顿标记再跑一次，不用重新输入文本
- 导出选项：
- 导出 MP3 / WAV 纯音频文件（用于剪辑软件后期合成）
- 导出带字幕的视频（AI 自动生成字幕 + 配上默认背景图，适合直接发布到短视频平台）
- 作为配音轨输出（给 AI 视频生成 Agent 或其他功能使用）
算粒消耗规则
| 操作 | 算粒消耗 |
|---|---|
| 单人配音 | 1 算粒 / 100 字 |
| 多人配音（如果支持） | 1 算粒 / 100 字 |
| AI 翻译文本 | 2 算粒 / 次 |
示例：一段 500 字的中文旁白 → 单人配音 = 5 算粒；如果选「AI 翻译文本 + 英语朗读」，总消耗 = 5 算粒（朗读）+ 2 算粒（翻译）= 7 算粒。
和 AI 视频翻译的配合
如果你已经用 AI 视频翻译生成了完整的本地化视频，但觉得 AI 选的音色不够好，可以：
- 把 AI 视频翻译生成的翻译字幕导出 SRT
- 用 AI 文字转语音 + 输入模式三的「翻译文本」或直接粘翻译后的文字
- 用你更喜欢的音色重新生成配音轨
- 在剪辑软件里把新配音替换掉原配音
这样比重新跑一遍 AI 视频翻译更省钱——翻译只做一次，只是换配音音色。
实用场景速查
| 场景 | 输入模式 | 音色建议 | 语速建议 |
|---|---|---|---|
| 短视频旁白（抖音 / TikTok） | 单一文本 | 目标语言的明亮女声 | 1.2×~1.5×（短视频节奏快） |
| 电商产品介绍 | 单一文本 | 温暖 / 自信女声 | 1.0× |
| 有声书朗读 | 单一文本 | 温和 / 迷人女声 或 沉稳男声 | 0.9×（朗读者节奏慢） |
| 教育课程 | 单一文本 | 友好 / 清晰音色 | 1.0× |
| 多语种快速制作 | AI 翻译文本 | 目标语言的专业音色 | 1.0× |
| 给 AI 视频生成配旁白 | 单一文本 + 选适合视频调性的音色 | 根据视频类型选 | 匹配视频节奏 |
生成质量优化的几个小技巧
技巧一：标点要写对
AI 文字转语音的断句完全依赖标点符号。没有标点的长文本会导致 AI 一口气读到底，听起来非常累。粘文本进去前先检查一下：句号、逗号、问号、感叹号有没有写对，段落间有没有换行。
技巧二：数字和日期要规范
数字、日期、时间的写法会影响 AI 的读法：
2024年会读「二零二四年」，写成2024 年或用汉字「二千零二十四年」可以避免- 电话号码如果想让 AI 一个一个数字读，写成空格分隔：
1 3 8 0 0 0 0 0 0 0 - 英文缩写可能被当成单词读（比如
APP可能读成 /æp/ 而不是逐个字母读）
技巧三：长文本分段生成
一段 3000 字的文本，分成 5 段各 600 字分别生成，比一次性生成效果更好——AI 在长文本中更容易出现断句错误、音色波动、甚至中间突然切换语气。
技巧四：善用「重新生成」
录咖 AI 文字转语音的「重新生成」是免费且不消耗算粒的（应该有次数限制，实际测试为准）。如果第一次生成的音色自然度不太满意（比如某个词发音有点怪），点一下重新生成，AI 会跑同样的流程但换一个随机种子，可能就自然多了。