AI 文字转语音的典型场景：有声书朗读、短视频旁白、课程配音、AI 视频生成
先想清楚：你最终要的是什么
在启动 AI 文字转语音之前，先问自己一个问题：
我生成的语音最终会出现在什么介质上？
不同介质对音频的要求不同——有声书需要长时长、自然的朗读节奏；短视频需要短时长、快节奏的口播；课程需要清晰、稳定、不疲劳；AI 视频生成需要和画面节奏匹配。
场景一：有声书朗读
你要什么
一个能把长篇小说、博客文章、电子书自动朗读出来的音频文件，代替真人主播录有声书的成本。
录咖怎么做
Step 1：分段输入
不要一次性把整本小说粘进去——AI 在长文本里容易断句错误、音色波动。建议：
- 每章或每节分一段
- 每段 500~1500 字
- 段落间留空行、标点要规范
Step 2：选音色
有声书的音色要求：自然、稳定、有情感起伏但不要太夸张。推荐：
| 书的类型 | 音色建议 |
|---|---|
| 言情 / 情感类 | 温暖 / 迷人女声（梦洁、知夏、佩芬等） |
| 悬疑 / 推理 | 沉稳 / 带悬念的男声（宏远、曜轩、瑞航等） |
| 励志 / 散文 | 温和女声（沐瑶、雪婷）或温和男声（志强、景澄） |
| 科普 / 历史 | 正式 / 清晰男声（杜草、宏远、曜轩） |
Step 3：参数设置
- 语速：0.9×（比正常稍慢，留出阅读节奏和情感呼吸空间）
- 音量：1.0（正常）
- 停顿：可以手动加
[pause=2s]在段落之间（具体语法以官方为准）
Step 4：批量生成 + 合并
每段分别生成后，用录咖的视频合并或剪辑软件把所有音频段合并成完整一本书。合并时注意每段之间加一个 1~2 秒的静音（避免前后段衔接太突兀）。
避坑点
- 不要用快节奏音色——快节奏音色在 1 分钟短视频里很好，但连续听 30 分钟会让耳朵疲惫
- 角色切换：AI 文字转语音目前不支持同一文本里自动切换音色（比如角色对话用女声、旁白用男声）。如果有声书里有大量角色对话，建议拆成两段分别用不同音色生成、再手动合并
- 专业术语和外来词：小说里的人名、地名、外语词可能发音不准，听完一段后快速核对一下
场景二：短视频口播旁白
你要什么
一段和 15~60 秒视频节奏匹配的口播音频，直接烧录或混合进视频。
录咖怎么做
Step 1：控制文案长度
短视频口播的文案通常：
| 视频时长 | 文案长度 | 语速建议 |
|---|---|---|
| 15 秒 | 30~40 字 | 1.4×~1.6×（快节奏） |
| 30 秒 | 60~80 字 | 1.2×~1.4× |
| 60 秒 | 120~150 字 | 1.0×~1.2× |
文案里要包含节奏变化——开头要有钩子（吸引停留）、中间要有亮点、结尾要有引导（关注 / 点赞 / 购物车）。
Step 2：选音色
短视频口播的音色要求：明亮、有活力、一听就停不下来。推荐：
| 视频类型 | 音色建议 |
|---|---|
| 开箱 / 测评 | 清脆女声（欣怡、瑾宇） |
| 知识干货 | 清晰自信男声（景澄、杜草） |
| 情感 / 治愈 | 温暖女声（沐瑶、梦洁） |
| 搞笑 / 反转 | 欢快、有戏剧感的音色 |
Step 3：生成 + 预览
生成后直接在播放器里听一遍：
- 语速是不是和视频画面节奏匹配？（如果视频切镜头很快、但音频慢悠悠，观众会觉得"不搭"）
- 结尾有没有留下 1~2 秒的空间？（用于放引导性的画面元素）
- 关键句（比如「限时 9 折」「点击下方购物车」）有没有重读感？
Step 4：混合背景音乐（可选）
录咖 TTS 输出时可以把音量设为 0.7~0.8，然后在剪辑软件里把 TTS 音频和背景音乐混合——背景音乐音量 0.3，TTS 音量 0.7，人声永远比 BGM 响。
场景三：在线课程 / 培训配音
你要什么
一段和课程幻灯片同步的旁白，清晰、稳定、不疲劳，适合学习者连续听 10~30 分钟。
录咖怎么做
Step 1：按幻灯片分段落
课程文案按每张幻灯片分一段——每张幻灯片讲的内容独立，方便对齐。
Step 2：选音色 + 参数
- 音色：友好、清晰、稳定。推荐"知夏""志强""杜草""雪婷"这类中性偏友好的音色
- 语速：0.9× ~ 1.0×（课程内容需要让学习者跟上，不能太快）
- 音量：1.0
Step 3：对齐幻灯片
每段生成后，把音频和对应的幻灯片对齐。录咖 AI 文字转语音输出的音频是纯音频，没有自动和视频 / 幻灯片时间戳对齐的功能——你需要用剪辑软件手动对齐（把每张幻灯片切换时间设为音频的开头和结尾）。
或者用录咖 AI 视频生成 Agent 功能来做（下一组会详细讲）——你只要输入课程文案，AI 会自动生成匹配的画面 + 配音 + 字幕。
避坑点
- 专业术语发音：课程内容里有大量专业术语，听完一段快速核对关键术语的发音——AI 可能会把"TCP/IP"读成 /tɪp/ 而不是逐个字母读
- 数字和公式：公式、小数、指数等特殊表达 AI 可能读不准（比如"3 的 4 次方"可能读成"三四"），需要手动校对或重写成更容易读的文字描述
场景四：给 AI 视频生成配旁白
你要什么
一段和 AI 生成的视频画面节奏匹配的旁白，让纯画面的 AI 视频变成「有声故事」。
录咖怎么做
这条路线比先跑 AI 视频生成、再单独配音更高效——AI 视频生成 Agent 可以直接同时生成画面 + 配音 + 字幕（下一组会详细讲）。但如果你已经有一段 AI 视频生成的纯画面，需要单独配音：
Step 1：先看视频写旁白文案
看完视频（如果已经有了），给每个镜头写一句对应的旁白文案。如果是为 AI 视频生成准备的，直接写旁白文案、用 AI 视频生成 Agent 时直接喂进去。
Step 2：按镜头分段生成旁白
每段文案对应视频里的一个镜头，单独生成、单独保存。然后在剪辑软件里把每段旁白对到对应的镜头时间点上。
Step 3：保持音色一致
如果整段视频用同一种音色（推荐），中间换音色会让观众出戏。选一个和视频调性匹配的音色、全程不改。
四个场景的共性经验
先短后长
任何场景下，先用一段 100~200 字的文案跑一次完整流程（选音色 → 生成 → 听 → 调整），确认音色、语速、参数都对了，再批量跑完整内容。避免参数没选对、几百字白跑。
听一遍生成结果再继续
AI TTS 生成后一定要至少听一遍——不要直接下载、后期再发现问题。100 字的音频听一遍 30 秒就能判断音色、语速、断句有没有问题，比后期返工快得多。
长文本分段生成
超过 500 字的文本都建议分段生成。分段的好处：AI 在短文本里更稳定、出问题也只影响一段、方便后期逐段替换。