在專業配音與影片製作中，機械感與真人質感的差距往往取決於三個微觀細節：冷門字詞的精準發音、核心詞彙的恰當重音，以及符合自然呼吸節奏的停頓。儘管現代 AI 語音在預設狀態下已相當流暢，但在處理品牌名稱、產業術語縮寫、同形異音字或戲劇化敘事節奏時，文字轉語音（TTS）模型仍常出現誤讀或語氣扁平的狀況。
在 Lovo.ai 的旗艦影片與語音生成平台 Genny 中，創作者主要透過介面頂部的發音編輯器、文字內擬音拼寫技巧、單字重音調整以及多軌時間軸間隙控制來實現逼真的口語表達。本文將詳細說明在 Genny 中配置發音規則、詞彙重音與停頓的具體步驟與實務技巧，並說明創作者在規劃當前製作管線時必須了解的關鍵營運背景。
一、發音規則的配置與校正
當 Genny 誤讀企業名稱、技術縮寫或生僻詞彙時，創作者通常有兩種解決管道：全域「發音編輯器」與腳本行內擬音替換。
途徑 1：使用內建發音編輯器（Pronunciation Editor）
Genny 在專案工作區頂部工具列內建了發音詞典功能，便於統一管理特定字詞的發音：
- 開啟工具： 在專案介面頂部工具列中，點擊 Pronunciation（發音）圖示。
- 確認語言與口音： 確保下拉選單中的設定與發音人語系完全一致（例如
English (US)與English (UK)）。發音規則嚴格綁定特定語系，在美式英語建立的規則不會自動套用於英式或澳式語音。 - 設定原始字詞與目標讀音：
- Source word（來源詞）： 輸入腳本中的原始文字（例如品牌名稱
LOVO、縮寫SaaS或外來人名Nguyen）。 - Target word（目標發音）： 輸入引導神經網路正確發音的擬音拼寫（例如輸入
Lovoe、Sass或Win）。
- Source word（來源詞）： 輸入腳本中的原始文字（例如品牌名稱
- 儲存規則： 點擊右側的 + 號，將該條目加入專案發音資料庫。
- 重新生成語音區塊： 詞典更新後，時間軸或腳本中已包含該詞的語音塊會顯示紅色狀態提示圓點。創作者必須點擊該區塊的 Regenerate（重新生成），新發音才會生效。
模型相容性提示： 內建發音編輯器在 Genny 的 Rapid 與 Global 語音模型上運作最為穩定。對於部分高階神經模型（包括 Pro V2 語音），直接在文字框內進行擬音拼寫改寫通常能獲得更高的精確度。
途徑 2：腳本行內擬音與大小寫控制技巧
對於單次出現的字詞或發音編輯器難以處理的特殊語境，資深配音師通常直接在文字框中修改文字：
- 同音字與音節改寫： 遇到發音異常的字詞時，可直接替換為發音相同的常見單字或以連字號切分音節（例如將
AI寫為Ay Eye，或將複雜單字分音節書寫）。 - 縮寫詞讀法微調： 若系統將首字母縮寫拆開念（如將
NASA念成 N-A-S-A），可改寫為首字母大寫的Nasa；反之，若希望系統逐字念出字母（如US），可寫成U. S.或U-S。 - 避免全大寫陷阱： 許多語音引擎遇到全大寫英文時會預設當作縮寫逐字拼讀。非縮寫的常規單字切勿使用全大寫輸入，以保持正確的詞法分析。
二、詞彙重音（Emphasis）與語調塑造
真人說話時，句子的資訊焦點通常伴隨著音高提升、母音時長拉長以及聲能增加。Genny 提供了局部標註與整體語調調整兩種方式來雕琢重音。
使用編輯器內的重音工具
- 在文字編輯框內，反白選取需要強調的核心單字、音節或短語（例如強調「這是唯一的解決方案」）。
- 在彈出的格式選單中，點擊 Emphasis（重音）控制項。
- 設定所需的強調等級，使神經網路在該處分配更高的聲音權重與音高起伏。
- 重新生成該語音區塊並試聽，確認母音長度與音調是否得到自然提振。
手動微調語速與音高（高級模式）
若局部重音聽起來突兀生硬，可以結合側邊欄的韻律參數進行整體校準：
- 調降 2% 至 5% 語速： AI 語音的預設節奏往往偏快且過度活潑。在側邊欄將區塊語速降至
0.95x至0.98x，能為重點字詞留出從容的停頓與語義空間，使重音更具說服力。 - Advanced Mode（高級模式）中的音高調節： 在高級模式下，可針對問句末尾或需要戲劇張力的句子微調音高，塑造出上揚的疑問感或低沉的權威感。
- 善用情感音色預設： Genny 支援超過 30 種情感風格（如專業、歡快、嚴肅、同理、戲劇化等）。在商業旁白中，直接套用「同理」（Empathetic）或「權威」（Authoritative）設定檔，往往比單獨調整每個音節更快獲得自然的語音起伏。
三、精準調節停頓以創造自然呼吸感
語速過密、字字相連是合成語音最易被辨識出的瑕疵。Genny 提供兩種停頓實現途徑：文字區塊內的 Pause 工具與多軌時間軸手動排版。
方法 1：使用文字區塊內的 Pause 工具
適用於句內短暫換氣與標點停頓：
- 在文字編輯面板中，將游標置於欲停頓處，或點擊工具列上的 Pause（停頓）圖示。
- 選取停頓緊跟的單字。
- 在彈出視窗中選擇預設時長，或以 0.1 秒為單位自訂時間長度（例如輕微換氣設為
0.2s，子句銜接設為0.5s，戲劇性懸念設為1.0s）。 - 點擊 Apply 並重新生成該語音塊。
方法 2：時間軸分塊與手動留白（專業錄音室工作流）
對於需要精確搭配畫面剪輯的影片創作者而言，多軌時間軸分塊更具彈性且經濟高效：
- 以「呼吸行」（Breath Lines）構建腳本： 避免整段長文一次貼入單一區塊，而是依據語義或單次呼吸將文案切分成簡短獨立的語音塊。
- 利用多軌時間軸編輯： 每個生成的語音塊在 Genny 底部的多軌時間軸上都會以獨立音訊片段呈現。
- 關閉「磁吸」功能（Snap Tool）： 點擊時間軸工具列上的磁鐵圖示以關閉自動吸附，解除音訊片段自動靠攏的限制。
- 自由拖曳調整間隔： 手動拉開兩個音訊塊之間的物理距離。
- 優勢： 此方法完全不消耗額外的語音生成額度，也無需耗時等待 AI 重新運算；可完美配合畫面剪輯點、鏡頭轉場或背景音樂重音進行毫秒級微調。
善用標點符號引導節奏
在插入固定秒數停頓標籤前，可先嘗試標準標點符號的自然效果：
- 逗號（
,）： 帶來約 150 至 250 毫秒的自然日常換氣。 - 破折號（
—）： 產生較為明顯的語意轉換或插入句停頓。 - 省略號（
...）： 營造出沉思、遲疑或期待感的情緒氛圍。
高效製作的三階段工作流程
為兼顧成品品質並節省生成時間，建議創作者採行以下三階段製作步驟：
- 第一階段：文本與發音過濾
- 檢查專有名詞與縮寫；在發音編輯器建立對應詞條；進行初次語音渲染。
- 第二階段：語調與重音潤色
- 全域語速微降 2–4%；為每句最重要的 1 至 2 個核心詞套用 Emphasis；長句拆分為呼吸行。
- 第三階段：時間軸對位與音畫同步
- 關閉時間軸 Snap；依據畫面動作與配樂節拍手動拉開音訊片段距離；匯出高品質成品。
營運動態與產業替代方案建議
雖然 Genny 憑藉時間軸與細部微調工具的結合在創作者領域建立了成熟的操作規範，但在規劃商業生產流程時，團隊需要注意其近期的營運變動：2026 年 5 月底，因配音員集體訴訟案（Lehrman v. Lovo, Inc.），LOVO, Inc. 在美國紐約南區聯邦破產法院申請了破產清算（Chapter 7 破產程序，案號 1:26-bk-11249），平台服務隨後出現連線中斷與無法存取情況（HTTP 402 等部署下線錯誤）。
對於目前仍需在穩定環境中獲得發音詞典、單字重音與時間軸精細停頓控制能力的創作者，可評估以下業界主流替代產品：
- ElevenLabs： 在語音擬真度與細膩情緒起伏方面處於業界領先地位，支援擬音拼寫、語音對語音（Speech-to-Speech）節奏轉移與微調滑桿。
- Murf AI： 採用專業錄音室時間軸架構，提供單字層級的音高、語速與重音滑桿，非常適合與影片畫面進行精準口播對齊。
- Castmagic / Speechify： 適合多說話人對話、大量內容再製作與跨語系旁白生成，具備穩定的多語種支援能力。