使用 AI 語音合成技術製作一部長達數萬字甚至十幾萬字的有聲書，過去往往會遇到兩大硬傷：聽了十幾二十分鐘後語音開始「漂移」失去角色辨識度，以及長篇段落不是全程平淡如念經，就是情緒暴走起伏失控。ElevenLabs 針對長篇音訊製作建立了完整的生產管線：利用 Voice Design（聲音設計） 為群像角色無中生有地打造高度穩定的專屬合成聲線，並結合專為長篇內容開發的 ElevenCreative Studio（原 Projects 工具） 進行多角色分軌、情緒微調、韻律節奏掌控與母帶級無損匯出。
本文將完整拆解專業配音製作人與獨立出版團隊實踐驗證的工作流程，詳細說明角色選角、參數調校、動態停頓及成品品質把關的關鍵操作。
一、聲線架構：Voice Design 與聲音複製的分工
長篇有聲書角色眾多，若每個配角都尋求真人錄音進行複製，成本與授權管理將極為沉重。在 ElevenLabs 製作管線中，合理的選角分工是維持音質穩定與控管預算的核心基礎：
+--------------------------------------------------------------------------+
| 有聲書聲線選角與架構配置 |
+--------------------------------------------------------------------------+
| 主敘述者（全書旁白核心） 次要角色與群像對話 |
| - 建議方式：Professional Voice - 建議方式：Voice Design（文字生聲音）|
| Cloning (PVC) 或庫中已驗證 PVC 聲線 - 每次生成 3 種試聽樣品 |
| - 極高聲學穩定性，杜絕長時間聽感漂移 - 自訂口音、年齡層與性格設定 |
| - 適合十幾小時以上長篇章節連續朗讀 - Guidance scale 建議維持 25% - 40%|
+--------------------------------------------------------------------------+
|
v
+--------------------------------------------------------------------------+
| ELEVENCREATIVE STUDIO（長篇音訊工作台） |
| - 原稿匯入（EPUB / DOCX / PDF），系統自動拆解章節 |
| - 段落內多角色台詞分配與色彩標籤管理 |
| - 發音字典綁定（.pls 標準字典檔 / alias 替換規則） |
+--------------------------------------------------------------------------+
|
v
+--------------------------------------------------------------------------+
| 節奏把控與情感導演引擎 |
| - 基礎滑桿基準：Stability ~50% | Similarity ~75% | Speed 1.0 |
| - 特殊高潮段落啟用 Override settings 進行局部情緒微調 |
| - 文本情感標籤（[whispers] 等）搭配 Actor Mode 真人導戲 |
| - 單次生成享有 2 次免費重新生成機會 | 支援片語/單句局部重算 |
| - 段落鎖定功能（Lock paragraph），防止全域批量誤改 |
+--------------------------------------------------------------------------+
|
v
+--------------------------------------------------------------------------+
| 母帶品管與無損格式匯出 |
| - 匯出引擎自動質檢重算（偵測音量破音、掉字、發音瑕疵並自動免費重算） |
| - 16-bit 44.1 kHz WAV 無損格式 + 內嵌 ID3 詮釋資料（書名、作者、ISBN） |
+--------------------------------------------------------------------------+
何時使用 Voice Design
Voice Design 能讓創作者直接透過自然語言描述，合成全新的獨特聲線。它特別適用於：
- 個性鮮明的小說角色對白（例如帶有蘇格蘭口音的老草藥師、語速神經質的年輕偵探）。
- 避免公用聲線庫（Voice Library）未來可能面臨版權變更或與其他商業有聲書「撞聲」。
- 大幅降低選角試音成本，無需在前期簽約大量真人配音員。
Voice Design 提示詞工程
在 Voices -> My Voices -> Add a new voice -> Voice Design 中輸入描述。每次點擊生成會產出 3 組候選聲線，且僅按一次試聽文本的字元數扣除點數。為了確保聲線不會模糊失真，建議遵循 ElevenLabs 標準提示詞架構：
Native <語言與區域方言>. <性別>, <年齡區間>. <音訊品質等級>.
Persona: <角色身份與心理特質>. Emotion: <核心情緒基調>.
<聲音質地描述、共鳴特色、語速節奏與發音細節>.
實戰提示詞範例：
- 歷經風霜的老探長：
Native English, American Pacific Northwest. Male, late 40s. Broadcast quality. Persona: cynical noir detective. Emotion: guarded, weary, observant. Deep gravelly timbre with close-mic proximity. Speaks with measured, deliberate pacing and low pitch variations, letting pauses carry weight. - 神經緊繃的青年學者：
Native English, Received Pronunciation British. Female, early 30s. Studio quality. Persona: impatient archival researcher. Emotion: tense, intellectually hyperactive. Light, crisp, slightly breathless timbre with brisk cadence and sharp consonant articulation.
聲音設計關鍵技巧
- 控制 Guidance Scale（提示詞遵循度）： 此參數平衡模型是嚴格貼合描述，還是保留自然的發音動態。角色設計建議設在 25% 到 40% 之間。若設得過高（超過 60%），在某些特殊音色中容易引入金屬雜音或破音。
- 試聽文本（Text to preview）必須與角色契合： 試聽文字相當於角色的試鏡劇本。若設定是深沉老人，切勿輸入驚嘆連連的動作戲短句。應提供 2 到 3 句符合該角色說話節奏與語氣的敘事段落，生成的聲線才會自然連貫。
- 主角主敘述者策略： 旁白主角建議選用 Professional Voice Clone (PVC) 或聲線庫中信譽良好的認證 PVC。在長達數十小時的連續閱讀中，PVC 的音色一致性顯著優於純文字生成的聲線。
二、在 ElevenCreative Studio 中架構長篇專案
ElevenCreative Studio 是專門處理長篇有聲書與多角色音訊的整合工作區，提供章節管理、段落級角色分軌與多軌時間軸編輯。
專案規格上限
匯入稿件前，需先確認平台的核心規格限制：
- 章節上限： 單一專案最多支援 500 個章節。
- 段落上限： 每個章節最多支援 400 個段落。
- 單段字元上限： 每個段落上限 5,000 個字元。
- 專案數量配額： Free 方案限 5 個專案，Starter 限 20 個，Creator 限 1,000 個，Pro 限 3,000 個。
文稿匯入與多角色標記流程
- 稿件匯入： 在 Studio 首頁點擊 Upload，匯入 EPUB、DOCX 或 PDF。系統會自動解析大標題並切分出左側 Chapters 側邊欄。
- 設定專案角色別名（Alias）： 在 Project Settings > Voices 中，將每組聲線的別名改為書中角色名（例如將合成聲線設定為「凡斯探長」），方便長時間製作時辨識。
- 段落內多角色台詞分配： 一個段落中往往旁白與角色對話交錯。
- 用滑鼠圈選對話句子。
- 在左側側邊欄的聲線選單中直接指派為該角色聲線。
- Studio 會為該句子套用專屬的彩色小球（Voice Orb）與底色標記。
- 透過快捷鍵
Cmd+Opt+A（macOS）或Ctrl+Alt+A（Windows）可快速切換檢視全章節的角色色彩分佈。
三、調控情感節奏：核心參數與段落覆蓋
合成配音最令人詬病的問題往往在於「語調一成不變」或「情緒不可控地暴走」。ElevenLabs 採用非確定性生成模型，滑桿數值並非固定的物理強度，而是規範模型生成隨機性的邊界區間。
| 控制滑桿 | 建議標準基準 | 戲劇小說 / 緊張高潮 | 非虛構 / 紀錄片說明 | 實際聲音表現 |
|---|---|---|---|---|
| Stability（穩定度） | 50% | 30% – 40% | 65% – 75% | 數值愈低，情感起伏與呼吸動態愈豐富；數值愈高愈平穩冷靜，但超過 80% 會顯得僵硬呆滯。 |
| Similarity（相似度） | 75% | 70% – 75% | 75% – 85% | 決定模型貼近原始聲線特徵的緊密度。若來源聲線帶有環境雜音，切勿超過 85%，以免複製底噪。 |
| Speed（語速） | 1.0 | 0.95（壓抑沉重） / 1.05（緊迫追逐） | 1.0 | 範圍為 0.7 到 1.2。微調 ±0.05 即可明顯調整說話節奏與呼吸感，且不破壞音質。 |
| Style Exaggeration（風格誇張） | 0% | 0% – 3%（極少使用） | 0% | 放大講話者的風格特徵，但會拉長生成延遲並降低穩定性。長篇有聲書強烈建議常態維持在 0。 |
| Speaker Boost（說話者增強） | 開啟 | 開啟 | 開啟 | 細微提升與原始說話者特徵的貼合度，計算開銷極低。 |
善用段落覆蓋（Override settings）
千萬不要因為某一幕激烈的哭泣或爭執而改動全域聲線設定。
- 選取該段落或特定句子。
- 在側邊欄勾選 Override settings。
- 暫時將該段落的 Stability 調降至 30%–35%，引入更激動的情緒起伏與聲線顫抖。
- 當情緒高潮結束，後續段落繼續保留 50% 的標準基線，確保全書敘事底色穩定統一。
四、細緻導演演出：標點符號、標籤與 Actor Mode
要賦予合成聲音逼真的人性溫度，需要結合文本編排與真人導戲的立體化手段：
第一層：標點符號與停頓標記
- 省略號（
...）： 營造猶豫、沉思或加重語氣的拖曳感。 - 破折號（
—）： 營造話語突然中斷或急迫轉折的截斷效果。 - 全大寫（英文單字）： 強化特定字詞重音與強調感。
- 停頓標記（
<break time="1.0s" />）： 插入 0.1 到 3 秒的自然停頓。製作提醒： 在 Eleven v4 等新一代高表現力模型中，過度使用 SSML break 標籤可能導致模型突然加速或吞字。對於場景切換的長間隔，建議在 Studio 時間軸上手動拉開間距，而非堆疊停頓標籤。
第二層：情緒動作標籤（Eleven v4 與 v3）
Eleven v4 模型能原生解析方括號中的動作指令，引導模型在開口時呈現對應的生理與情緒反應：
- 常見動作標籤：
[whispers]（氣音耳語）、[sighs]（嘆氣）、[exhales]（吐氣）、[laughs]（輕笑）、[starts crying]（哽咽哭泣）、[sarcastic]（諷刺）。 - 語法範例：
[frustrated sigh] "We spent three months gathering that evidence... and you left it in the car?" - 標籤必須具體描述發聲行為，避免使用可能被誤解為環境音效的詞彙（例如使用
[whispers]而非[wind]）。
第三層：Actor Mode（真人聲音直接導戲）
當關鍵台詞多次重新生成仍無法達到滿意的重音落點時，Actor Mode 是製作人不可或缺的王牌工具：
- 選取文本中的特定句子。
- 點擊側邊欄 AI Tools 中的 Direct speech with your voice。
- 對著麥克風錄入示範音訊，或上傳參考音訊檔。
- 由製作人親自示範該句台詞的語速、重音、高低起伏與停頓間隔。
- 點擊 Generate。ElevenLabs 會將示範音訊中的表演節奏與情緒曲線，精準套用至目標合成角色的聲線上。
五、發音字典與專有名詞規範
在奇幻、科幻小說或醫療科技類非虛構作品中，同一專有名詞發音不一致會徹底破壞聽眾沉浸感。
字典配置與格式
在 Studio 工具列開啟 Pronunciations Editor，即可連結專案級字典。支援匯入符合 W3C 標準的 .pls XML 檔，也可在介面中逐筆建立：
<?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">
<!-- 縮寫別名代換 -->
<lexeme>
<grapheme>UNCLOS</grapheme>
<alias>United Nations Convention on the Law of the Sea</alias>
</lexeme>
<!-- 國際音標強制修正 -->
<lexeme>
<grapheme>Elysian</grapheme>
<phoneme>ɪˈlɪziən</phoneme>
</lexeme>
</lexicon>
模型發音相容性說明
- Eleven v4： 原生支援在文本中直接嵌入斜線包裹的國際音標（IPA）：
The city of "/ˌsænfrənˈsɪskoʊ/" was foggy. - Eleven Multilingual v2： 建議使用拼音化別名或字典中的
<alias>詞條進行替換。 - Eleven Flash v2： 支援 SSML
<phoneme>標籤搭配 CMU Arpabet 或 IPA。
比對順序： 字典自上而下逐行比對，僅套用第一個吻合的規則。長詞與複合專有名詞必須排在單詞之前。
六、製作成本控制與品質控管機制
全書盲目大量生成會快速消耗帳戶點數。成熟的專業音訊團隊會善用各項保護機制以節省預算：
兩次免費重新生成規則
在 Studio 中，只要未更動文字、未更換聲音且未調整參數數值，每個段落或圈選的字句均享有 2 次免費重新生成（Regenerate） 機會。
- 局部選區修復（Inpainting）： 若一段上百字的錄音整體完美，只有句尾幾個字有吞音，千萬不要整段重跑。只需用滑鼠反白圈選末尾幾個字點擊 Regenerate，系統便只會修補該切片，完整保留前面的錄音。
段落鎖定（Lock paragraph）與版本還原
- 鎖定成品段落： 驗收合格的段落，請立即點擊鎖頭圖示 Lock paragraph。鎖定後的段落將受到保護，不會在後續章節批量更新時被意外覆蓋重算。
- 歷史版本回滾： 若重算後的表現不如稍早版本，展開側邊欄的 Generation history，可隨時試聽並一鍵還原（Restore generation）至任一歷史版本。
批次匯出自動質檢（Auto-regeneration）
在最終點擊 Export 匯出全章節或整本作品時，ElevenLabs 會自動執行品管檢驗。系統會自動篩查：
- 爆音、削波與音量失真。
- 聲線特徵漂移。
- 掉字、漏詞或多讀。
- 發音破損。 一旦偵測到上述瑕疵，系統會自動免費重新生成該片段最多兩次，大幅降低人工校對負擔。
七、訂閱方案、音質規格與通路交付標準
主流有聲書發行平台（Audible/ACX、Apple Books 等）對提交的音訊檔案有嚴格規範：44.1 kHz 取樣率、不低於 192 kbps 或未壓縮 WAV 格式，以及一致的 RMS 音量水平。
方案規格比較
| 方案等級 | 月費 | 每月點數額度 | 匯出音質支援 | 有聲書適用性評估 |
|---|---|---|---|---|
| Free | $0 | 10,000 | 128 kbps MP3 | 僅限非商業試用，無法商用發行。 |
| Starter | $6 | 30,000 | 128 kbps MP3 | 適合極短篇試作，缺乏無損 WAV 匯出。 |
| Creator | $22 | 121,000 | 128 kbps MP3 / WAV（128k來源轉換） | 適合短篇中篇小說（約 2 萬字），含 1 個 PVC 槽位。 |
| Pro | $99 | 600,000 | 16-bit 44.1 kHz WAV & 192 kbps MP3 | 有聲書製作業界標準。 額度可支撐 10 萬字小說完整製作與合理重算。 |
| Scale / Business | $299 / $990 | 1,800,000 / 6,000,000 | 16-bit 44.1 kHz WAV (Ultra Lossless) | 出版社多書並行、多角色團隊量產。 |
母帶匯出流程
- 開啟 Project Settings > Export。
- 勾選 Volume Normalization（音量標準化），平衡全書章節的 RMS 響度。
- 填入內嵌 ID3 詮釋資料：書名（Title）、作者（Author）、ISBN 與 簡介（Description）。
- 選擇 Export as ZIP (Individual chapter files)，一鍵匯出按章節分檔的無損音訊包。
製作全流程查核清單
- 前期選角： 使用 Voice Design 為特定角色量身設計聲線，調校 Guidance Scale（25%–40%）；旁白主角優先採用 Professional Voice Clone。
- 建置詞庫： 在轉換正文前，將全書的人名、地名、科幻或奇幻專有名詞錄入 Pronunciations Editor。
- 確立基準參數： 旁白基線設為 Stability 50%、Similarity 75%、Speed 1.0；激烈情節使用段落 Override。
- 精準導演台詞： 關鍵情緒節點結合方括號情緒標籤；最難詮釋的台詞使用 Actor Mode 真人錄音鎖定語調與節奏。
- 落實工程保護： 合格段落立即使用 Lock paragraph 鎖定，微瑕瑕疵善用選區局部重算，發揮 2 次免費重跑額度價值。
- 無損母帶交付： 採用 Pro 級或以上方案，以 16-bit 44.1 kHz WAV 格式附帶完整詮釋資料匯出交付。