用AI给有声书配音，我录了二十万字后的复盘

去年下半年我接了一本长篇小说的有声书录制，全书二十一万字，前后折腾了四个多月。一开始我以为把文本丢进TTS工具里点一下导出就完事，真正上手才发现，二十万字不是二十段话那么简单，它会把工具的每一个短板都放大给你看。这篇就把我踩过的坑和摸到的门道捋一遍，给也想接有声书单子的朋友当个参考。

选声音别只听试听样例

我第一个大错，就是在工具试听页被一段十几秒的样音迷住，直接定了那个声音。试听样例都是精挑细选的句子，语速平稳、情绪到位，听着像专业播音员。可真录到第三章，遇到大段心理描写和人物吵架，那个声音就露馅了——它只会一个调子，念什么都像在念新闻联播。

后来我学乖了，定声音之前一定拿客户书里的真实段落测，最好挑一段带对话、带情绪转折的，长度一分钟左右。我常用的是魔音工坊和剪映的朗读功能，两个都生成一遍对比。长书我更倾向选那个"平时有点平、但不会让人走神"的声音，而不是一上来特别惊艳的——惊艳往往意味着夸张，听三章就累了。

二十万字不能一股脑丢进去

第二个教训：任何TTS工具都扛不住一次性超长文本。我第一次把整章三千字粘进去，导出后发现中间有几句完全读串了，人名念成了另一个音，还混进了两处自动断句的大喘气。

现在我的流程是：先把章节按段落切好，每段控制在三百字以内，单独生成再拼。切的时候顺手做几件事——把生僻字标上拼音或直接换成常用说法，把英文人名和数字改成中文读法（比如"iPhone15"改成"苹果十五"，不然它能念得你怀疑人生），省略号和破折号手动控制停顿。生成完别直接过，我会戴上耳机从头到尾听一遍，重点挑错字、漏字、语气不对的地方，错了就单独重新生成那一段，再用Audacity把音频拼回去。

后期比生成更花时间

很多人低估了后期。二十万字的书，光靠工具直出的干声，丢到喜马拉雅上是没法听的：每句之间停顿不均匀，背景底噪虽然小但连续听四小时会累，开头结尾也没有缓冲。

我后来固定做一套后期：在Audacity里先做音量标准化，把整集峰值拉到负三分贝左右；再用压缩器把忽大忽小的地方压平；每集开头留两秒空白，结尾留三秒，章节之间用一段两秒的轻音乐间隔——这个音乐我用Suno生成一段三十秒的循环钢琴，音量压到人声的两成，只当垫脚。整本书做完，前期生成占三成时间，后期对轨和听审占了七成。

几个实在建议

接长书单子之前，先跟甲方确认好：要不要分章节交、修改范围包不包含情绪重录、验收标准是什么。我吃过一次亏，交完全书对方说"第二章女主语气不够温柔"，让我整本重录，那时候才想起当初没在文字上把验收写清楚。

还有，别想着一个声音录完整本就完事。遇到多角色对话的书，我会再挑两三个辅助音色分配给主要角色，自己在Audacity里做好区分，听起来就像几个声音在对戏，而不是一个人在那儿念剧本。预估收益仅供参考，以实际结算为准。这行赚的是手艺钱和耐心钱，不是点一下按钮的钱。

本文链接：https://fuyehezi.com/fuyehezi/186.html 转载需授权！