方案 AF：AI 有声书与播客
文本处理 → TTS 选音 → 分段录制 → 配乐音效 → 发布
- 耗时
- 2-5 小时 / 30 分钟成片
- 成本
- 中
- 难度
- 进阶
适用场景
适合把书、文章或选题做成有声书、播客或知识音频的个人与团队。
操作步骤
文本处理
20-30 分钟ChatGPT / Claude
把原文整理成口语化脚本：分章节、加段落标记、删书面语。标注每个段落的情绪与语速提示，供 TTS 使用。
💡分段控制在 30 秒内一句一段，TTS 出错时只需重录这一段。
TTS 选音
20-30 分钟ElevenLabs / Fish Speech
在候选中试听 3-5 个音色，选与内容气质匹配的旁白音。中文优先试 Fish Speech 的预置音色，长文本优先 ElevenLabs。
💡试听时用同一段开场词对比，别只看音色列表描述。
分段录制
1-2 小时ElevenLabs / Fish Speech
按段落批量生成语音，逐段试听修正重音、断句和专有名词发音。用「语音词典」固定人名地名读音，全篇才会统一。
💡生僻词先在词典里定音再生成，别生成完才发现每段读法不同。
配乐与音效
30-60 分钟Suno + Descript
用 Suno 生成背景音乐或片头片尾，音量压到 -20dB 以下当底垫。在 Descript 里拼接段落、加淡入淡出与停顿，去掉口误与杂音。
💡BGM 与人声做侧链压缩，人声一响音乐自动让位。
发布
30 分钟播客平台 + Descript
导出标准音频格式，生成封面与标题，上传播客平台或分发。附上章节时间戳和文字稿，方便听众跳转与搜索。
💡先发单集跑通 RSS 与审核流程，再批量排期。
用到的工具
避坑清单
一次性录完整本
长文本 TTS 出错率高，分段生成便于修正；别指望一次成片。
音色气质不符
有声书内容决定音色，试听对比再定，别贪图「听着好听」的网红音。
配乐盖过人声
BGM 压音量、做人声优先；人声听不清立刻返工。
版权与合成语音声明
平台对有 AI 声音内容有要求，检查规则再发布。