把床邊故事做成有聲書：免費 TTS 實測一週，我卡在「參考音檔」這一關
上週三晚上九點半，我女兒抱著《月亮晚安》站在床邊，說：「把拔，今天可以叫手機講嗎？你聲音怪怪的。」
我聲音確實怪怪的。連續講了半個月，喉嚨已經在抗議，講到「晚安，房間」那句整個燒聲。
好吧，來試文字轉語音。
第一次的成品……她聽了兩秒，把手機推回來：「這不是你。」
那確實是我的聲音，但不是。像我在念一份開會紀錄，而且是隔著口罩念的。
問題不在工具，在那二十秒
我一開始用的是某個要註冊、要綁手機號碼的免費文字轉語音服務。參考音檔我直接丟了一段 LINE 語音訊息進去，大概三十秒，內容是「喂，那個報價明天再看一下」。
結果合成出來的聲音，字正腔圓、抑揚頓挫完美，感情零。像剛從配音班結業的實習生。
後來我才想通：LINE 語音是壓縮過的，取樣率低，還帶著回音跟電流聲。拿這種素材去餵模型，等於拿一張失焦的照片要人畫肖像。
這大概是內行跟路人的分水嶺——大家都在看模型參數，但真正決定成敗的是那二、三十秒。
我換到免費聲音克隆 之後重錄了一次參考音檔，同一個模型，出來的東西完全是兩回事。
參考音檔怎麼錄，才不會像機器人
免費 TTS 聲音合成這件事，我本來以為門檻在模型，後來發現門檻在素材。這段我想講細一點，因為我自己重錄了四次。
不要在客廳錄。 客廳有冰箱的嗡嗡聲、外面的車聲，人耳會自動過濾，麥克風不會。我後來是整個人鑽進衣櫃裡錄的——衣服會吸音，效果好到有點意外。沒有衣櫃就用棉被搭個小窩，手機塞進去。
十五到三十秒，不要貪多。 太短，模型抓不到你的音色特徵；太長，中間任何一次咳嗽、一次翻頁都會被學進去。我有一次錄了快兩分鐘，結果合成時每句結尾都帶著我清喉嚨的氣音。超毛。
不要念稿。 這點最反直覺。你正經八百地念「白日依山盡」，出來的就是朗讀腔。要講日常話，例如「今天想吃什麼？冰箱還有半盒草莓，不吃就壞了」。語速正常，帶點情緒，笑一下也可以。模型學的是你怎麼講話，不是你怎麼朗讀。
麥克風離一個拳頭遠，斜四十五度。 不要貼嘴，會噴麥；也不要太遠，會收到房間的反射音。
一次錄三段，挑最好的。 聽起來很麻煩，其實五分鐘的事。我現在的習慣是蹲在衣櫃裡連講三段不同的話，再回放挑一段最像「平常講故事的我」。
還有一個小細節：錄之前喝口溫水，不要喝冰的。喉嚨緊的時候聲音會飄，這個也會被學進去。
順帶一提，我這週用的線上文字轉語音 是免註冊的，打開就能用。免註冊聲音合成對我這種懶得填表、懶得收驗證信的人來說太友善了——我試過別的服務，註冊流程走到一半就放棄。免註冊聲音線上克隆這點，我一開始不覺得重要，直到我朋友想用，她連註冊都嫌煩。而且它標榜永久免費聲音克隆，我用下來確實沒撞到額度牆；無限制文字轉語音對做長故事的人特別關鍵，一本繪本兩三千字，限字數的工具根本不夠用。
我這一週的實際流程
週一晚上，我把家裡那疊繪本挑了三本，打進備忘錄。打字時順手做了幾件事：
- 阿拉伯數字改成中文讀法，「3隻小豬」寫成「三隻小豬」，不然它會念成 three
- 長句斷開，逗號句號按呼吸的位置標，標點就是停頓
- 破音字先查一遍，「長」和「重」這種，念錯小孩會立刻糾正你
然後合成、試聽，不滿意就回去改標點。前兩晚挺折騰，第三晚開始就順了——因為參考音檔定下來了，剩下的只是文字活。AI 聲音克隆線上跑一次只要幾秒，真正花時間的是改稿。
老實說，真人語音合成免費這件事，兩年前我是不信的。當時覺得不是試用三天，就是音質糊成一片。現在免費 AI 配音能做到這種程度，有點超出預期。我甚至想過，等孩子大一點，用它接個免費語音合成 API，做一台自動念故事的機器……不過那是另一個坑，先不挖。
對了，中間我踩過一個雷：某個平台打著「聲音克隆軟體免費」的旗號，結果免費版只能合成一分鐘，超過就排隊。我合成到一半被卡住，小孩在旁邊等，那個場面滿尷尬的。所以挑工具時，先看清楚是不是真的不設限。線上免費聲音克隆的平台不少，但大多數會在某個地方設關卡。
關於「聲音權」，我還是想碎念兩句
台灣這一年不少配音員在討論 AI 配音，我完全能理解那種焦慮。所以我自己劃了兩條線：只克隆自己的聲音；家人的聲音要先問過（我女兒的我就沒做，理由寫在下面）。要拿別人的聲音去做有聲書、上架 Podcast 或 YouTube，那已經不是技術問題，是法律問題。免費工具很方便，但方便不代表可以隨便。
FAQ：被問最多次的三個問題
參考音檔要錄多長才夠？
十五到三十秒，我的經驗是二十秒上下最穩。少於十秒，音色容易飄；超過一分鐘，雜音混進去的機率直線上升。如果真的找不到安靜的地方，寧可選短一點、乾淨一點的片段。
手機內建麥克風夠用嗎？
夠。我用的是三年前的手機，錄出來的效果我自己聽不出跟外接麥的差別。關鍵在環境，不在設備。你在衣櫃裡用手機錄，大概率比在客廳用專業麥錄還要好。
小孩的聲音可以克隆嗎？想做「自己講給自己聽」的版本
技術上可以，但我不建議。一來孩子的發聲還在變，音色不穩定，參考音檔品質難保證；二來……怎麼說，讓小孩聽「自己的聲音」講故事，感覺有點怪。我還是寧願用我自己的聲音，就算它不完美。
想先看看別人怎麼玩，更多教學 裡有一些案例，我翻了幾篇，踩坑清單寫得滿實在。
寫到這裡
我現在的做法是：週日晚上花二十分鐘，把下週要講的五本繪本合成好，丟進同一個資料夾。小孩想聽哪本，自己點。我喉嚨好的時候還是會親自講——那個機器取代不了。
但至少，扁桃腺發炎的晚上，故事不會斷。
如果你也想試，別一開始就搞長文本。先錄二十秒參考音檔，隨便合成一句話，聽聽像不像你自己。像了，再往下走；不像，回衣櫃重錄。這一步花不到十分鐘，但它決定後面所有事情。