用 AI 配音：從文本到可用音軌
AI 配音怎麼做、哪些工具免費？本文按大陸直連與否整理 MiniMax 海螺、剪映、Fish Audio、蟬鏡、ElevenLabs、Descript 六款，先分清只要音軌還是要數字人，並給出從改口語稿到匯出音軌的五步流程、聲音克隆的授權紅線，以及多音字、停頓、響度三類常見返工點。
結論先行：中文 AI 配音的自然度在 2026 年已經能直接用於短影片旁白、課程和有聲書初稿，普通聽眾在一兩句裡分辨不出來。仍要人做的是三件事：把書面語改寫成口語稿（AI 唸書面語一聽就假）、標註多音字和專有名詞讀音、聽一遍全軌修掉斷句錯誤。這件事的瓶頸早已不是音色，而是稿子。
選工具看三條：一是大陸能否直連，國產幾款不用梯子、也能開中文發票；二是免費額度的計量單位——有按字元、有按積分、有按分鐘，換算後差得很遠，且免費檔通常不含商用授權；三是輸出形態，你要的是一段音訊檔案（MP3／WAV），還是連口型的數字人影片，這兩類工具不通用，選錯會多繞一圈。
能做這件事的工具
| 工具 | 選它的理由 | 免費額度 | 大陸直連 |
|---|---|---|---|
| MiniMax 海螺 稀宇科技 | 國產語音合成裡自然度第一梯隊，中文情緒和斷句穩，音訊入口在官網 audio 頁。 | 以官網為準 | ✓ 直連 |
| 剪映 字節跳動 | 剪輯、字幕、配音在一個軟體裡閉環，短影片最省事的一條路，網頁版需抖音賬號。 | 以官網為準 | ✓ 直連 |
| Fish Audio Fish Audio | 開源路線、可本地部署，多語種門檻低，適合要自建 TTS 又想控成本的人。 | 以官網為準 | ✓ 直連 |
| 蟬鏡 蟬媽媽 | 要「人出鏡念稿」而非純音軌時用它，上傳約 2 分鐘真人影片克隆專屬分身。 | 以官網為準 | ✓ 直連 |
| ElevenLabs ElevenLabs | 高擬真配音與聲音克隆的行業標杆，多語種切換仍保留同一音色是它的獨門。 | 免費檔每月 1 萬 credits，且不含商用授權；Starter 檔 6 美元／月含商用許可。 | 需海外網路 |
| Descript Descript | 把音影片當文件剪——改文字即改音訊，去口癖、克隆聲音補錄都在一個介面裡。 | 以官網為準 | 需海外網路 |
工具名鏈到本站入口頁(官網地址、免費額度、登入方式隨時複核);「需海外網路」只是客觀說明其官方服務不面向中國大陸,本站不介紹任何繞過方式。
怎麼做
- 先把稿子改成口語——長句拆短、去掉書面連線詞、每句控制在一口氣能唸完。這一步對成品自然度的影響比換工具大。
- 挑音色時用同一段 30 秒的真實稿子橫向試聽，別用工具自帶的演示文本。演示文本都是挑過的，換成你的內容才聽得出問題。
- 生成前標註讀音與停頓——多音字（行、重、長、了）、人名地名、英文縮寫、數字讀法，都在稿子裡先寫成期望讀音或加停頓標記。
- 生成後全軌聽一遍，只逐句重生成讀錯、斷句怪、語速忽快忽慢的那幾句，不要整段重跑，省額度也省時間。
- 匯出高位元速率或無損檔案再進剪輯軟體對軌。背景音樂、響度平衡在剪輯端處理更可控，別在配音工具裡做最終混音。
常見坑
- 用別人的聲音做克隆有法律風險。中國已有生效判例認定自然人的聲音權益及於 AI 合成聲音，只克隆你自己的聲音，或拿到明確的書面授權。
- 免費額度多數不含商用授權。免費檔做出來的音訊用在帶貨、廣告、付費課程裡屬於違反服務條款，要商用就升級到對應付費檔並保留憑證。
- 中文多音字和數字讀法是最高頻的返工點：「重」「行」「長」以及電話號碼、年份的讀法，工具猜錯的機率不低，稿子裡先標。
- 合成語音的響度普遍偏高、動態範圍窄，直接和背景音樂疊加會糊。進剪輯後先做一次響度歸一化再配樂。
常見問題
AI 配音免費的能商用嗎？
多數不能。免費檔通常只授權個人非商業使用，ElevenLabs 免費檔就明確不含商用許可，付費檔才給。要用在廣告、帶貨、付費課程上，按工具的商用條款升級，並保留付費憑證備查。
能克隆我自己的聲音嗎？需要多少素材？
可以。主流工具要的素材從幾十秒到幾分鐘不等，數字人類工具通常要約 2 分鐘的出鏡影片，純音訊克隆要的更少。錄製環境比時長更重要：安靜房間、同一支麥、語速平穩，一次錄完。
AI 配音能聽出來嗎？
取決於稿子多過取決於工具。破綻通常是書面語腔、每句語速一樣、該停的地方不停。把稿子改成口語、在段落之間留出真實的呼吸停頓，普通聽眾很難分辨。
做口播影片，該選配音還是數字人？
只要旁白音軌就選純語音合成，匯出音訊進剪輯軟體；要人臉出鏡對口型才選數字人。兩者的價格和工期差一個量級，先確認成片裡到底需不需要真人出鏡。