在進行有聲書演播或商業影片製作時，預設設定下的文字轉語音（TTS）往往難以滿足專業水準。合成語音常見的問題包括語調單調生硬、缺乏戲劇起伏，將專有名詞或虛構人名讀錯，或者在關鍵情節處毫無停頓地一掠而過。在 Lovo.ai 的核心創作工作台 Genny 中，要做出接近真人演播的專業配音，關鍵在於脫離單純的「一鍵生成」，利用 Advanced Mode（高級模式） 協同調度三大核心要素：基於文本塊的情緒音色（Emotional Inflection）、按語言綁定的發音詞典（Pronunciation Editor），以及基於時間軸的語速與停頓（Pacing & Pauses）。
深入掌握這三項功能的連動機制，是將機械語音轉化為具有戲劇張力與精準節奏成品的必經之路。
一、專案初始設定：為何必須選用高級模式（Advanced Mode）
在 Genny 中建立新專案時，系統提供 Simple Mode（極簡模式） 與 Advanced Mode（高級模式） 兩種選擇。極簡模式適用於快速測試單一聲音片段，但它僅支援簡單的文本朗讀，無法進行多軌混音與精細剪輯。
對於長篇有聲書錄製和多鏡頭影片製作，高級模式是唯一可行的起點。它提供了多項關鍵底層支援：
- 多軌道時間軸（Multi-Track Timeline）：類似於專業數位音訊工作站（DAW）的視覺時間軸，支援語音軌、影片畫面軌、音效（SFX）與背景音樂（BGM）多層並行排列。
- 分句角色與音色分配：允許創作者將對話拆分為獨立的文本塊，為不同語句靈活分配角色聲音或不同情緒狀態。
- 製作人模式（Producer Mode）：支援針對音調（Pitch）等參數進行微調，塑造鮮明的人物聲音質感。
- 無吸附自由拖曳：可隨時關閉時間軸吸附功能，實現毫秒級的停頓與間距控制。
二、精細調校情緒音色與角色張力
Genny 擁有涵蓋 100 多種語言的 500 多款 AI 音色，其中部分高階聲音支援超過 25 至 30 種情緒預設（如開心、悲傷、憤怒、哭泣、低語、驚恐、權威、醉意、猶豫等）。
有聲書播音員與影片編導切忌為整篇文稿套用單一情緒，而應採用「分塊堆疊」技巧：
文本塊分段與情緒堆疊法（Block Stacking）
在真實對話中，人物的情感極少在整個段落中保持恆定。例如在一場充滿衝突的戲份中，角色的一句話可能以猶豫不決開頭，中途轉為嚴厲質問，最後以恐懼的耳語結尾：
- 拆解句子為獨立塊：在文本編輯區中，把複雜的長句按語意情緒拆分為兩到三個獨立的文本塊。
- 針對性賦予情緒：選中第一個文本塊，在情緒下拉選單中選擇 Hesitant（猶豫）；中間的質問塊選擇 Angry（憤怒） 或 Serious（嚴肅）；結尾的關鍵句切換為 Whisper（低語）。
- 試聽與連貫度微調：生成音訊後連貫試聽。若兩塊之間的情感跳躍過大，可在中間插入一個過渡短句，或利用音調滑桿適度拉近二者的聲線距離。
製作人模式（Producer Mode）塑造角色聲線
在有聲書中，當需要同一位基礎發音人分飾不同配角時，可在高級模式中啟用 Producer Mode。透過輕微調高或調低音調滑桿，能夠改變角色的聽覺年齡與體態感，既保留了同一位主播的世界觀基調，又清晰區分了不同出場人物。
三、發音詞典（Pronunciation Editor）的校準規範
奇幻科幻小說中的自造人名、外語地名、跨國商業品牌以及專業術語縮寫，是語音合成最易出錯的重災區。Genny 內建的 Pronunciation Editor（發音編輯器） 提供了全局糾偏能力。
發音詞典標準化操作步驟
- 開啟編輯器：在 Genny 頂部功能導覽列中點擊 Pronunciation 圖示。
- 確認目標語言與口音（至關重要）：發音詞典規則嚴格綁定特定語言與口音。例如在 English (US) 下新增的音標規則，不會對分配了 English (UK) 或其他語種的文本塊生效。新增前務必確認語言設定與發音人匹配。
- 輸入源詞與目標發音：
- Source Word（源詞）：輸入文稿中的原詞拼寫（如
LOVO、Daenerys、Bilibili）。 - Target Word（目標發音）：輸入符合讀音規律的擬音拼寫（如把
LOVO設為Lovoe，把SQL設為Sequel）。
- Source Word（源詞）：輸入文稿中的原詞拼寫（如
- 儲存規則：點擊
+按鈕，規則即儲存到當前專案的發音庫中。 - 重新生成標記塊：儲存發音詞典後，系統不會自動覆寫已有音訊。包含該詞的文本塊旁會出現紅點提示，必須點擊 Regenerate（重新生成），新的發音邏輯才會編譯為音訊。
針對 Pro 音色的文案擬音技巧（Script Hacks）
對於部分對外部發音詞典不夠敏感的 Pro 級神經網絡音色，創作者可直接採用文案層面的快捷技巧：
- 直接內嵌擬音詞：直接在文稿輸入框中把生僻專有名詞替換為拼讀友好的英文擬音詞。
- 大小寫微調：AI 遇到全大寫詞彙（如
API、CEO）時常會逐字母拼讀；若希望讀作連貫單詞，或希望某些縮寫按字母清晰斷開，可透過改為首字母大寫（Api）或加入連字號（A-P-I）來引導引擎。
四、節奏把控、停頓呼吸與語速調節
缺乏停頓的朗讀會使內容變成無休止的機械朗誦，讓聽眾產生聽覺疲勞。在懸疑敘事或重點影片解說中，恰到好處的留白是營造張力的核心。Genny 針對不同音色提供了兩種控制停頓的機制。
方法一：停頓工具（適用於 Rapid 與 Global 音色）
在 Rapid 和 Global 音色下，文本編輯工具列提供了專門的 Pause（停頓） 工具：
- 將游標放置在詞語之間或句子末尾。
- 點擊 Pause 圖示，選擇所需的停頓秒數（自
0.1s起步，短停頓推薦0.2s–0.4s，段落切換推薦0.8s–1.2s）。 - 點擊 Apply 並重新生成該文本塊。
方法二：時間軸拉開間距與關閉吸附（適用於 Pro 音色）
在使用 Pro 高級音色時，透過時間軸物理間距控制停頓更為自然可控：
- 按呼吸節點拆分文本塊：在需要人物換氣、沉思或場景轉折處，把長段落拆解為獨立的音訊塊。
- 關閉時間軸磁鐵吸附（Snap）：在下方時間軸面板中，點擊磁鐵圖示關閉 Snap。吸附關閉後，音訊塊可以自由微移，不再受固定網格刻度限制。
- 手動拉開空白間隙：用滑鼠將後一個音訊塊向右拖曳，留出幾百毫秒的真實靜音間隔。這種物理間隙能完美模擬人類真人的換氣間隙。
語速滑桿的工程經驗
很多 AI 音色的預設語速（1.0x）稍顯偏快：
- 有聲書演播：建議將整體語速微調至
0.95x至0.98x（放慢 2% 至 5%）。輕微降速能賦予聲音厚重感與沉浸感，讓文字的情感餘韻得以舒展，顯著減輕連續收聽的疲勞度。 - 緊湊型商業短影音：可適度提速至
1.05x左右，配合快節奏剪輯，但需反覆檢查尾音與子音是否清晰。
五、有聲書製作與影片製作的工作流程差異
雖然底層引擎一致，但有聲書演播與影片後製在 Genny 中的側重點大不相同：
| 生產維度 | 有聲書演播場景 | 商業影片製作場景 |
|---|---|---|
| 首要目標 | 長週期沉浸感、跨章節音色一致性、聽覺耐受度 | 音畫精準同步、商業轉化力度、俐落的視聽節奏 |
| 聲音架構 | 單一主敘述人搭配少量角色對話塊，音量響度標準嚴格統一 | 多聲音切換、解說與對白呼應畫面分鏡剪輯點 |
| 音畫層級 | 純淨乾音為主，極少量點綴環境音與章節片頭音樂 | 複雜的語音、環境音效（SFX）、背景音樂（BGM）自動避讓 |
| 字幕輔助 | 無需字幕 | 利用 Auto Subtitles 功能基於語音塊一鍵自動生成同步字幕 |
| 交付標準 | 匯出高保真無損音訊軌（WAV），進入專業 DAW 混音母帶 | 匯出 1080p MP4 影片或分軌音訊，導入 Premiere/Final Cut 終剪 |
六、交付檢查清單與實用建議
在 Genny 中完成配音輸出前，建議按照以下清單完成自我檢查：
- 文案標點規範化：檢查文稿中的逗號、破折號與省略號，合理的標點能讓 AI 產生自然的語調起伏。
- 優先確認模式：只要涉及角色對話或長篇多段落，必須直接在高級模式下建項。
- 發音語言一致性：檢查詞典綁定的國家口音與發音人是否一致，避免規則失效。
- 警惕紅點未重新生成：修改詞典或停頓參數後，排查所有帶紅點的文本塊並完成 Regenerate。
- 關閉吸附精調空隙：利用非吸附模式調整對話停頓，避免機器死板的機械節奏。
- 專業後期母帶處理：針對商業有聲書發行（如 Audible/ACX 平台），建議將 Genny 匯出的乾音導入 DAW 進行輕微均衡降噪、動態壓限與響度標準化處理。
透過合理協同情緒塊、發音編輯器與時間軸間隙控制，製作團隊能夠充分釋放 Lovo.ai Genny 的潛力，交付極具生命力的高品質聽覺作品。