AI 配音為什麼聽起來像機器人？問題出在你錄的那段參考音檔
上個月幫朋友一條短影音配音。同一份稿子，我們倆用同一個工具跑出來的效果差到不行——他的像深夜電台主持人，我的……像導航在唸繞口令。
一開始我以為是玄學，後來才搞懂，問題出在參考音檔上。這件事內行人通常不會主動講，因為它太基礎了，基礎到大家都預設你本來就會。今天就把我踩過的坑一次攤開。
AI 是在模仿你，不是在創作
很多人對聲音克隆有個誤解，以為丟一段音檔進去，AI 就能憑空變出好聲音。不是的。它學的是你給的那段音檔裡的音色、語速、換氣習慣——包括你錄音時的那些小瑕疵。
你錄得緊繃、乾巴巴、一個字一個字往外蹦？克隆出來的聲音也會緊繃、乾巴巴、蹦字。所以與其說「AI 配音不像真人」，不如說——你的參考音檔本來就不像真人在自然講話。
錄參考音檔的幾個硬指標
環境比設備重要。別迷信貴的麥克風，先把這三件事搞定：
- 找個安靜的小房間，衣櫃旁邊其實不錯，衣服會吸音
- 手機別貼太近，大概一個半到兩個拳頭的距離，避免爆音
- 全程用同一個音量講話，不要忽大忽小
長度上，30 秒到 1 分鐘基本夠用，太短學不透音色，太長也沒必要。內容別照稿硬唸——挑一段你平常講話會用的語氣，帶點起伏，甚至帶點笑意都可以。你平常聊天會偷懶、會連音、會在句尾上揚，參考音檔裡也該有這些「人味」。
錄完先自己聽一遍。如果連你自己都覺得彆扭，就別指望 AI 能救回來。
文案怎麼寫，配音才不尬
參考音檔搞定之後，另一頭是待合成的稿子。這裡也有個反直覺的重點：寫給配音用的文案，別寫成書面語。
「綜上所述，本產品具有顯著優勢」——這句話誰唸都像機器人。改成「說白了，這東西真的好用」，效果立刻不一樣。標點就是節奏：逗號短停，句號長停，破折號可以製造一個自然的換氣點。
我在 VoxClone 上做 線上文字轉語音 的時候，習慣先把稿子大聲念一遍，念起來卡卡的地方全部改掉。稿子順了，聲音才會順。
常見的翻車現場
背景有冷氣聲、鍵盤聲？克隆出來會帶一層「沙沙」的底噪，怎麼調都去不掉，只能重錄。背景音樂混在音檔裡也不行——AI 會把旋律也當成你音色的一部分，做出來的聲音怪得很。
還有人喜歡拿電影片段當參考音檔。我試過，角色有情緒起伏，聽起來很誘人，但配出來情緒不穩定，同一句話忽高忽低。除非你就是要戲劇感，否則乖乖用乾淨的乾聲吧。
FAQ
參考音檔要錄多長？
30 秒到 1 分鐘就夠了。重點是品質不是長度——安靜、乾淨、語氣自然，比錄五分鐘強得多。
手機錄的音檔可以用嗎？
可以。現在手機麥克風的素質不差，安靜環境裡錄出來的效果足夠用。別開擴音，也別在車上錄（回音太重）。
免費工具的效果夠用嗎？
夠。我現在常駐用的是 VoxClone 的 免費聲音克隆，免註冊，打開頁面上傳音檔就能試，免註冊聲音線上克隆 這點對偶爾才用一次的人真的太友善。效果不滿意，九成是參考音檔的問題，不是工具的問題。
寫在最後
說到底，AI 配音像不像真人，七分看你的參考音檔，三分看文案。工具反而是最不用糾結的部分——反正試錯不用錢。手邊有想配音的稿子的話，現在就找個安靜角落錄一段 30 秒的音檔試試，比看十篇教學都有用。