將整部長篇手稿轉化為符合商業發行標準的專業有聲書，絕非單純將文字逐段貼入基礎文字轉語音（TTS）工具即可達成。長篇有聲製作面臨諸多實務與藝術挑戰：多角色對話需要穩定且具高辨識度的角色聲線；虛構人名、地名與罕見專有名詞在長達數十小時的音訊中必須保持一致的精準發音；劇情高潮與抒情段落需要細緻掌握停頓與語速；而最終交付更須產出符合 Audible（ACX）等主流發行平台規範的結構化分章節音訊。
ElevenLabs Projects（現已深度整合於 ElevenCreative Studio 的 Audiobooks 模組）正是專為解決長篇製作痛點而構建的專業環境。本文將深入剖析從手稿排版與分章節解析、AI 輔助角色選角（Character Casting）、發音詞典（Pronunciation Dictionaries）校準，到段落級語速與停頓微調、多軌混音及母帶匯出的完整實作流程。
1. 原稿前置準備與多章節結構解析
自動化有聲書專案能否順暢推進，關鍵往往在於上傳前的手稿排版品質。ElevenLabs Audiobooks 模組能自動解析手稿，萃取章節結構、前後附錄文本與內嵌封面。
支援檔案格式與排版規範
- 支援格式： 官方支援 EPUB 與 PDF 格式。針對小說與非虛構敘事作品，強烈建議優先使用 EPUB，因其語意化標記能提供最可靠的章節切分精準度。
- 標題階層規範： 匯出 EPUB 前，請務必於文書處理工具（如 Word、Google Docs 或 Scrivener）中，將每個章節的標題統一套用為一級標題（Heading 1 /
H1）。系統剖析器會根據H1標籤自動判定章節分界，避免後續人工逐章裁切。 - 封面自動擷取： 若 EPUB 檔案內嵌有高解析度封面，系統會自動提取並套用為有聲書專案封面，使用者可在格式化步驟中選擇保留、替換或移除。
建立專案與章節篩選步驟
- 登入 ElevenLabs 控制台，前往 Studio，點選 Create an Audiobook（或 New Audiobook）。
- 上傳排版完備的 EPUB 或 PDF 手稿。
- 選擇基礎語音合成模型。針對長篇有聲書，官方首選為 Eleven Multilingual v2（Studio Quality），該模型支援 29 種語言，具備極為自然的情感呼吸與長篇穩定度；若需要更具現代質感的聲音與原生 IPA 音標支援，亦可選用 Eleven v4。
- 進入 Formatting（格式化） 畫面，系統會自動梳理出文稿結構：
- 前置資訊（版權頁、獻詞、序言）
- 序幕與正文各章節
- 後記附錄（尾聲、作者自白、銘謝詞）
- 透過核取方塊排除無需朗讀的內容（例如單純的出版資訊、書籍條碼或索引頁）。
- 在左側章節導覽列中，可隨時點選 + 新增遺漏章節，或透過拖曳調整章節順序與重新命名。
2. 角色配置與聲音架構設計
ElevenLabs Projects 的關鍵優勢之一，在於同時支援傳統單人旁白朗誦與全角色多播廣播劇模式（Multi-cast）。
朗讀風格抉擇：Single Cast 與 Multi Cast
- Single cast（單人旁白）： 由單一專業敘述者聲線貫穿全書，包含角色對白，適合自傳、嚴肅文學或非虛構類專著。
- Multi Cast（多角色劇團模式）： 系統會將主述旁白與內文所有說話角色分離，各自指派獨立聲線，營造如臨劇場的沉浸式對話體驗。
AI 智慧角色偵測與配音指派
選取 Multi Cast 後，系統將透過對白引號、說話標記（如「某某說道」）與上下文語意自動標記角色：
- 角色數量上限： 單一專案最多可自動辨識並管理高達 150 位獨立角色聲線。
- 聲音庫與自訂音色： 平台提供涵蓋 90 餘種語言、逾 10,000 款聲音的官方 Voice Library。創作者亦可透過 Voice Design 依據性別、年齡、口音提示詞創造專屬虛擬聲線；若作者本人親自發聲或已有配音員授權母帶，更能導入 Instant Voice Cloning（即時克隆） 或 Professional Voice Cloning（專業克隆）。
- 真實台詞試聽： 在 Characters 控制台中，可直接截取手稿中的實際對白試聽角色表現。請注意，產生試聽音訊會耗用少量訂閱字符額度。
- 全書全域連動更新： 一旦在角色面板中更換某角色的配音員，全書所有章節中該角色所屬的台詞均會自動同步更新。創作者完全不必逐章逐段手動重新套用。
3. 發音詞典（Pronunciation Dictionaries）設定與維護
在奇幻、科幻、歷史小說或各類專業學術論著中，AI 模型極易讀錯自創人名、特殊地名、古代典故與技術縮寫。只要出現幾處發音錯誤，便會瞬間打破聽眾的沉浸體驗。
ElevenLabs 透過全域**發音詞典（Pronunciation Dictionaries）**機制，確保全書讀音始終如一。
自動探勘與規則類別
於專案初始的 Pronunciations 步驟中，系統會自動挑出可能需要校準的罕見詞彙。創作者亦可手動建立詞條：
| 規則機制 | 運作原理 | 支援模型架構 | 最佳適用情境 |
|---|---|---|---|
| Alias（別名替換） | 文字替換；以直觀拼音、常見同音字或完整詞彙替代 | 全模型支援（Multilingual v2、v3、v4、Flash） | 相容性最高；英文縮寫展開（例如將「UN」替換為「United Nations」）；常規音節諧音微調 |
| Phoneme（音素規則） | 採用國際音標（IPA）或 CMU 拼讀字母表精準規範音素與重音 | Eleven v4、Flash v2、v3（英語優先支援；v4 拓展至多語 IPA） | 複雜奇幻世界觀專有名詞；多音節重音微調；嚴格語言學標準發音 |
匯入 W3C PLS 標準詞典格式
針對系列長篇創作或大型出版機構，可直接在詞典編輯器中匯入符合 W3C 規範的 XML .pls 詞典檔案：
<?xml version="1.0" encoding="UTF-8"?>
<lexicon version="1.0"
xmlns="http://www.w3.org/2005/01/pronunciation-lexicon"
alphabet="ipa" xml:lang="en-US">
<lexeme>
<grapheme>Aethelgard</grapheme>
<phoneme>/ˈæθəlɡɑːrd/</phoneme>
</lexeme>
<lexeme>
<grapheme>Caelum</grapheme>
<alias>Kay-lum</alias>
</lexeme>
<lexeme>
<grapheme>DARPA</grapheme>
<alias>Darpa</alias>
</lexeme>
</lexicon>
詞典校準核心守則
- 大小寫敏感性： 詞典比對嚴格區分大小寫。若主角姓名於內文中同時存在首字大寫與全小寫，必須各自建立規則。
- 由上而下逐項匹配： 系統依照詞典排序優先套用第一條命中規則。
- 原句語境試聽（In-Context Preview）： 建立規則後，務必點選條目旁的播放鍵。單字發音聽似正確，但在完整句子中可能因語調起伏、連讀或重音轉移而顯得生硬。唯有在整句語境中聆聽，才能保證情緒連貫自然。
4. 語速調校、停頓控制與戲劇節奏雕琢
有聲書的聽覺品質取決於節奏與戲劇張力。過快的語速會破壞情境氛圍，而缺乏停頓則會讓劇情懸念蕩然無存。
1. 全域與局部語速調控（Speed Setting）
在聲音設定面板中，可透過 Speed 滑桿 調整語速節奏：
- 調節範圍：
0.7（最慢）至1.2（最快），基準值為1.0。 - 調校建議： 沉穩的長篇敘事或理論闡述，建議設在
0.92–0.97之間，能大幅提升聲音分量與字句清晰度；情節緊湊的動作或激烈對談可維持於1.0–1.05。切忌設定低於0.8或高於1.15，以防聲音產生非自然失真。
2. 針對不同模型之停頓控制語法
由於底層架構差異，不同合成模型支援的停頓指令並不相同：
- 針對 Eleven Multilingual v2、Flash v2 與 Flash v2.5：
- 採用標準 SSML 停頓標籤：
<break time="1.5s" />。 - 停頓長度最高可達 3.0 秒。
- 適合置於場景轉換、章節收尾或情緒轉折點。請避免在單一段落內過度堆疊 break 標籤，否則可能導致神經網路異常加速或產生背景雜訊。
- 採用標準 SSML 停頓標籤：
- 針對 Eleven v4：
- Eleven v4 不支援 XML
<break>標籤，改用直觀的自然語言 Audio Tags：[pause]：標準對話停頓。[long pause]：長停頓或場景空檔。
- Eleven v4 不支援 XML
- 標點符號微調技巧（全模型通用）：
- 破折號（
—或-）：營造自然的語氣停歇或話語被打斷之感。 - 刪節號（
...）：賦予角色猶豫、沉思或語帶保留的延續語感。
- 破折號（
3. 段落級獨立覆蓋與 Actor Mode
在 Studio 編輯介面中，每個段落左側皆有狀態提示條：
- 深色提示條： 該段落音訊已產生並快取。
- 淺灰色提示條： 該段落尚未產生。
選取任一段落可開啟右側內容關聯側邊欄（Contextual Sidebar）：
- Override settings（獨立覆蓋）： 針對特定章節高潮點開啟，可單獨微調該段落的穩定度（Stability）、相似度（Similarity Boost）、風格誇張度（Style Exaggeration）或音量，而不影響全書通用設定。
- 淡入/淡出（Fade In / Out）： 撫平章節開頭與結尾的音訊動態。
- Actor Mode（親聲引導語調）： 若 AI 在特定諷刺語氣或特殊句型上無法精確拿捏抑揚頓挫，製作人可點選「Direct speech with your voice」，透過麥克風錄製一段範例音訊。模型會在維持原角色音色的同時，完美重現製作人的戲劇重音與節奏。
5. 多軌時間軸音效整合與成本控制策略
商業級有聲書往往需要細膩的配樂、過場音效與環境氛圍音。
時間軸多軌音訊整合
Studio 具備輕量級多軌時間軸編輯功能：
- 背景音樂（Music）： 點選時間軸上的 + 號，可從 Music Marketplace 選用版權配樂，或直接輸入提示詞即時生成自訂配樂。
- 音效襯托（SFX）： 插入開門、雨聲、腳步聲等音效軌，與口播旁白並行播放。
- 音量平衡準則： 請將背景音樂與環境音軌音量壓低至主語音層下方約
-18 dB至-24 dB，確保口播內容清晰無阻。
字符額度與運算成本控管法
十餘萬字的手稿需要消耗大量字符額度，建議落實以下控管步驟：
- 切忌盲目全書產生： 剛上傳手稿時，切勿直接執行「全書產生」。應先挑選兩至三章兼具密集對話與專有名詞的章節，先行確認選角與發音詞典。
- 已產生段落播放零成本： 只要段落呈現深色狀態條，於編輯器內重複試聽完全不扣除字符額度。額度僅於首次產生或重新產生（Regenerate）時扣除。
- 單段局部重算： 修改特定句子後，僅需針對該段落點選重新產生，其餘章節不受任何影響。
- 更換角色的影響範圍： 若中途更換特定角色的配音音色，系統僅會將該角色所說的語句標註為未產生，其餘角色與旁白音訊不受波及。
6. 母帶匯出、發行合規性與多平台分發
全書完成驗收後，即進入最終的母帶匯出階段。產出音訊必須符合 Audible（ACX）、Findaway Voices、Apple Books 等數位通路的上架標準。
匯出選項與格式規範
點選右上角 Publish，切換至 Export 分頁：
- 匯出範疇： 支援全專案合併匯出或按個別章節切分匯出。
- 檔案組織結構：
- 分章節 ZIP 壓縮檔（Chapter-based ZIP）： 將每章匯出為獨立命名的音訊檔案。此為 ACX 與絕大多數經銷平台強制規定的交付規格。
- 單一完整檔案（Single file）： 全書合成為單一連續音訊檔，適合廣播劇或特定播客發行。
- 音訊格式：
- MP3： 商業發行主流，支援 192 kbps 或 320 kbps 固定碼率（CBR）。
- WAV： 24-bit/48kHz 或 16-bit/44.1kHz 無損母帶格式，方便匯入外部專業工作站（如 Pro Tools、Logic Pro、Reaper）進行降噪與動態母帶後製。
- AAF 時間軸工程檔： 完整匯出所有語音軌、音效與配樂之時間軸資訊，供專業混音師接手。
- 未產生段落自動補齊： 若匯出時專案中仍有淺灰色未產生段落，系統會在匯出流程中於雲端自動補全產生，並扣除相應額度。
ElevenReader 平台直發機制
創作者亦可跳過第三方經銷商，直接上架 ElevenReader 聽書生態系：
- 於 Publish 分頁選取 ElevenReader。
- 填寫作者簡介、書名、副標題、封面圖片與版稅收款帳戶資訊。
- 選擇發布模式：Original Audio（創作者親自定調的固定母帶）或 Dynamic Narration（允許聽眾於 ElevenReader App 內自行切換喜愛的 AI 旁白聲音）。
- 送出審核，通過後即可面向全球 ElevenReader 訂閱讀者發行並賺取串流收益。
製作流程快速檢核清單
- 手稿排版確認： EPUB 原始碼中各章標題統一標記為
H1標籤，確保自動切章無誤。 - 底層模型挑選： 長篇首選 Eleven Multilingual v2；若需前沿音質與原生音標則選 Eleven v4。
- 全域角色選角： 透過原著台詞試聽並指派音色；變更音色即自動連動全書相關對白。
- 發音詞典校正： 針對人名地名建立 Alias 或 IPA 規則，並於原句語境中逐條試聽確認。
- 停頓節奏塑造： 語速維持於
0.92–1.0x，v2 模型善用<break time="xs" />，v4 模型改採[pause]。 - 合規分章匯出： 匯出分章節 ZIP 壓縮檔（MP3/WAV），無縫對接 ACX 等通路審核發行。
參考資料
- Audiobooks | ElevenLabs Documentation
- Using pronunciation dictionaries | ElevenLabs Documentation
- Best practices | ElevenLabs Documentation
- What is Character Casting? | ElevenLabs Documentation
- How many voices can I use in an audiobook? | ElevenLabs Documentation
- Do I need to generate narration before exporting an audiobook? | ElevenLabs Documentation
- What file formats are supported for Audiobooks? | ElevenLabs Documentation