文字轉語音（TTS）在處理長篇敘事內容時，常因機械式的等速節奏與缺乏呼吸感而顯得呆板生硬。真人播音員在演播時，會隨著故事情節自然調整呼吸間歇、壓低旁白語調、加強關鍵詞重音，並在角色對白中注入情緒。在 Voicemaker 中，要製作出具備商業出版質感的擬真語音，核心在於整合兩種層次的調校：一是位於右側側邊欄的全域聲音設定（Voice Settings），用以確立演播者的基調音色與語速；二是編輯器內部的 SSML 標籤 與 Custom Pauses（自訂停頓） 機制，用以精準控制局部停頓、角色情感、語音重音與特殊格式讀音。
本指南將完整解析如何透過 Voicemaker 消除機器感，打造符合有聲書、Podcast 與故事旁白標準的高品質語音。
1. 語音引擎選擇與全域音色基準建立
在文本加入標籤前，建立正確的基礎聲學模型與參數至關重要。
- 選用 AI3 神經網絡引擎： 標準或傳統語音引擎在語流韻律感上較為單薄，製作長篇旁白時務必選擇 AI3 或更高階的神經語音模型。
- 認明帶有「E」後綴的音色： 在 Voicemaker 中，名稱末尾帶有 「E」後綴 的聲音模型（例如 AI3 英語模型中的 Jony），才支援情感豐富的 Voice Effects（聲音特效），例如 calm（平靜）、sad（悲傷）、happy（歡樂）、angry（憤怒）等。若選擇未帶「E」後綴的音色，將無法在正文中調用局部情緒特效。
- 細緻校準全域參數（Voice Settings）：
- Speed（語速）： 系統預設語速通常略快，適合資訊傳遞，但不易建立沉浸式故事氛圍。在右側側邊欄將語速略微調慢，能為聽眾預留想像與消化的空間。
- Pitch（音高）： 略微調低全域音高，能賦予旁白沉穩、可靠的權威感；後續若需要演繹青年或特徵鮮明的角色，再針對局部對白單獨拉高音高。
- Volume（音量）： 保持適中的音量基準，避免在合成階段發生訊號過載（Clipping），為後續音訊後製保留動態範圍。
2. 呼吸節奏與留白把控：Pause SSML 與 Custom Pauses
缺乏換氣停頓是語音合成最容易被識破的弱點。Voicemaker 提供了「手動標籤」與「標點自動化停頓」兩種互補方案。
手動插入 Pause SSML 標籤
針對特定戲劇性時刻，可透過頂端工具列的 Pause 下拉選單插入標籤，或直接在文字中輸入 <break time="..."/>：
- 對白與旁白銜接停頓（200ms – 400ms）： 在引號台詞與旁白描述之間插入微小停頓（例如
「這不可能，」<break time="300ms"/>她低聲說道。），重現自然呼吸節奏。 - 場景轉換與懸疑留白（1000ms – 2000ms）： 用於章節交替、重大情節揭曉前，給予聽眾足夠的情感反應時間。
運用 Custom Pauses 自動化長篇節奏
在數千字的有聲書章節中逐句手動貼上停頓標籤極耗時間，且會使文稿雜亂。最佳做法是開啟內建的 Custom Pauses（自訂停頓） 功能：
- 點擊編輯器右上角工具列的 Settings（齒輪圖示）。
- 切換至 Pauses 分頁，將 Custom Pauses 開關切換為 ON。
- 針對不同標點符號設定停頓秒數（以秒為單位）：
- 句號（
./。）： 設定為0.7s–0.9s，確保句子收尾自然完整。 - 逗號（
,/，）： 設定為0.25s–0.35s，形成自然的意群間隔。 - 問號（
?/？）與驚嘆號（!/！）： 設定為0.6s–0.8s，讓情緒餘韻充分伸展。
- 句號（
- 啟用段落間隔停頓（Between Paragraph）： 只要段落之間保留一行空白行，Voicemaker 就會自動套用指定的段落停頓（例如
1.5s），層次清晰分明。 - 指定特殊符號觸發（
@與#）： 在 Custom Pauses 選單中為特殊字符指定停頓長度（例如@對應0.5s，#對應1.2s）。直接在內文中插入單一符號即可觸發精確停頓，免除繁雜的 XML 語法。
3. 語調動態：Emphasis、音高與語速微調
平坦單一的語調容易使聽眾疲勞。透過局部的聲學參數微調，能讓語言產生豐富的層次。
使用 Emphasis SSML 突顯核心語義
- 反白選取目標字詞，點擊頂端工具列的 Emphasis 下拉選單：
- Strong Emphasis（強重音）： 強化發音力道與能量感。適用於關鍵動詞、轉折字或情緒爆發處。請謹慎適量使用，避免語流斷裂。
- Reduced Emphasis（弱化/輕讀）： 降低發音強度與音量。非常適合括號內的補充說明、心理活動或低聲耳語。
靈活運用 Pitch 與 Speed 標籤
Voicemaker 的 SSML 音高與速度調節屬於漸進細膩型設計，旨在防止過度變形產生失真：
- Pitch 微調： 選取疑問句或角色語句，點擊頂部的 Pitch 按鈕進行調節。句末微微上揚可營造生動的疑問口吻；語調略微下沉則能渲染嚴肅沉重的氛圍。
- Speed 微調： 在緊湊情節處略微提高語速，在抒情或沉思段落適度放慢，形成跌宕起伏的節奏感。
為角色對白套用局部 Voice Effects
若選用帶有「E」後綴的音色：
- 確認側邊欄的全域 Voice Effects 保持在 Default（維持主旁白中立沉穩）。
- 在正文中選取角色的特定台詞。
- 點擊頂端工具列的 Voice Effect 按鈕，選擇對應的情感狀態（例如 whisper 低語、calm 平靜、angry 憤怒）。
- 合成時，旁白敘述維持穩定基調，而角色台詞則能自然流露相應情緒。
4. 矯正發音：Say-As 標籤避免數字與專有名詞誤讀
有聲書中常見的年份、時間、度量衡與縮寫，容易導致語音引擎辨識失誤。Voicemaker 的 Say-As 標籤庫提供了精準的讀音控制：
- Say-As Date 與 Time： 規範日期與時間格式，防止類似
1945-10-25或09:30 AM被誤讀為數學公式或錯置日月順序。 - Say-As Cardinal 與 Ordinal： 明確區分基數（如數量 5）與序數（如「第 5 章」或「5th」），確保歷史年份與章節序號讀音正確。
- Say-As Spell-Out / Characters： 強制引擎逐字朗讀字母。遇到呼號、無線電代碼或非通用字母組合時，可防止系統將其誤拼成單詞。
- Say-As Fraction 與 Unit： 確保分數（如
1/2）與單位（如20km）精確展開為「二分之一」或「二十公里」等標準讀法。
5. 製作實務：文本切分、音訊匯出與額度管理
在處理完整有聲書或長篇商業配音時，良好的工程流程能大幅提升效率並降低成本：
文本分段處理策略
切勿將整本數萬字的手稿一次性貼入編輯器中。
- 建議以場景或小節為單位，將內容拆分成 500 至 2,500 字元的獨立區塊。
- 分段不僅便於聽辨校對與調整 SSML 標籤，若有少數詞句需要重錄，也能避免浪費大量點數進行全篇重新生成。
符合出版規格的音訊匯出設定
在 Convert to Speech 按鈕上方，點擊 Audio Settings 旁的 Change：
- 輸出格式選擇：
- MP3： 適用於一般 Podcast、網路短影音配音與快速試聽。
- WAV： 有聲書出版的標準格式。無壓縮的 WAV 檔案保留最完整的動態細節，利於後續在 Audacity、Reaper、Pro Tools 等數位音訊工作站進行母帶後期製作。
- 取樣率（Sample Rate）：
- 一般串流發佈可選擇 44100 Hz（CD 級別）。
- 若要符合 ACX、Audible 或影視配音的高品質要求，建議選擇 48000 Hz（錄音室音質）。
計費機制與商業版權注意要點
- Voicemaker 的點數扣除依據為 Convert（轉換生成） 行為而非檔案下載。每次點擊生成均會消耗字元點數（注意：CJK 中日韓字元通常以 1 字元折算 2 點計費）。
- 免費註冊用戶單次轉換上限為 250 字元，且不包含商業使用權限。
- 用於商業出版、有聲書平台上架或營利性內容，建議訂閱 Starter（$5/月）、Creator（$10/月）、Pro（$20/月）或專屬的 Audiobook Creation Pack，以獲得完整商業授權與更高的單次轉換上限。
- 針對生僻字或複雜停頓，先截取 50 字左右的簡短語句進行試聽驗證，確認效果滿意後再進行整段轉換。
高品質配音快速檢核表
- 選擇合適音色： 優先挑選帶有「E」後綴的 AI3 神經語音模型，確保情緒特效支援度。
- 定調基礎聲學： 於側邊欄將全域語速微調放慢，將音高微調至沉著自然的敘事狀態。
- 啟動自動停頓： 於 Custom Pauses 設定逗號約 0.3 秒、句號約 0.8 秒，並於段落間維持空行。
- 雕琢焦點語句： 運用 Emphasis 建立重音起伏，Say-As 規範數字格式，局部 Voice Effects 塑造角色特色。
- 專業無損匯出： 採 48000 Hz WAV 格式分段匯出，確保符合專業音訊發行規範。