腳本會持續修改時用文字轉語音；表演本身就是重要素材時上傳音訊。 兩種方式都不保證更好的唇形同步，請用同一人像與動作設定測試最難的一句。
依需要保留的內容選擇
最合適的語音輸入方式，取決於製作流程中哪個部分必須保持彈性。
文字轉語音讓腳本保持可編輯；上傳音訊會保留核准的錄音表演。
| 判斷因素 | 文字轉語音 | 上傳音訊 |
|---|---|---|
| 腳本修改 | 改文字後重生 | 重新錄音或剪輯 |
| 說話者 | 從可用聲音選擇 | 保留核准的本人聲音 |
| 情緒與節奏 | 透過標點與支援的指示控制 | 保留錄音中的表演 |
| 發音 | 取決於聲音與控制功能 | 取決於說話者與剪輯 |
| 在地化 | 快速建立多語版本 | 每種語言都要有核准音訊 |
| 錄音設備 | 不需要 | 錄製原始語音時需要 |
| 音訊清理 | 通常在生成語音前處理 | 上傳前由使用者負責 |
| 同意 | 複製或可識別聲音都需要 | 提供的聲音與用途都需要 |
腳本常變適合TTS，難以重現的演技適合上傳。兩者都重要時，先在外部建立並核准最終語音，再把固定音訊交給數位化身。
不要只根據聲音示範做決定。請用實際會出現的名稱、術語、語速和化身圖片測試語音效果。
文字轉語音較適合的製作
文字轉語音能縮短從修改腳本到生成新版化身影片的流程，適合內容經常變動或需要製作多個版本的情況。
常見用途包括：
- 文案經常修改的產品更新
- 短篇教學說明
- 使用新腳本重複製作的社群內容
- 配音員正式錄音前的初期原型
- 經母語者審核的多語版本
- 由結構化文字生成的個人化台詞
主要優點是容易修改。日期、名稱或指示變更時，可直接修改文字，不必安排另一場錄音。固定使用同一個聲音，也能讓系列內容更一致。
仍要測試名字、縮寫、數字與技術詞。用短句、明確轉折，刪除過長括號與模糊縮寫。測試句應包含最難的詞、一個自然停頓與情緒變化。
標點符號有時能影響語速，但可用控制項目因工具而異。只使用目前語音介面確實支援的指示。
腳本應為聆聽而寫，而不是只適合默讀；送入語音系統前先朗讀一次。若選定的聲音無法清楚表達難詞、停頓與重音，更換整個化身流程也無法解決音訊本身的問題。
上傳音訊能保留什麼
當特定聲音或表演本身承載意義時，上傳音訊更合適。 它能讓化身依照錄音中已有的強調、停頓與情緒來表演。
常見用途包括：
- 自己錄製的說話內容
- 已核准的專業旁白
- 已取得許可的Podcast或訪談片段
- 化身工具支援的歌曲或人聲表演
- 需要精準時間安排的對話
- 經客戶、講師或主題專家核准的音訊
製作個人化身時，可先上傳照片，再選腳本、預設聲音或自己的錄音。
好的錄音提供強弱、停頓與情緒。音樂可能讓沒有說話的地方也動嘴；削波會遮住子音；只改一個字也可能需要重錄。拼接不同錄音還會產生音量、房間聲與距離差異。擁有檔案不等於擁有模仿或散布權，必須取得許可。
系統會跟隨收到的音訊。意外出現的長時間靜音，可能讓畫面中的停頓顯得不自然。
分開檢查聲音與唇形同步
音訊與影片彼此相關，但應分成兩個評估層面。
音訊表現要檢查：
- 發音
- 語速
- 停頓
- 情緒
- 清晰度
- 說話者是否適合內容
接著檢查畫面同步：
- 第一個字開始的時間
- 快速音節中的嘴形
- 停頓時嘴巴是否閉合
- 最後一個字結束時是否閉嘴
- 下巴與下半臉是否穩定
- 人物外觀與頭部動作是否一致
自然聲音也可能搭配不準的嘴形；準確嘴形也可能搭配不合適的聲音。錯讀名字是語音問題，臉部漂移則指向人像、裁切、動作或生成。兩種路徑要用相同長度與檢查點。
若一種方式使用乾淨的20秒片段，另一種卻使用有噪音的2分鐘錄音，這項比較並不公平。
上傳前進行音訊預檢
生成前先從頭到尾聽過音訊，確保每次都從乾淨的聲音開始。另請確認支援格式與限制。
請依照以下順序檢查：
- 格式與大小： 確認目前工具接受檔案格式、容量與長度。
- 完整播放： 從第一個取樣聽到最後，不要只依賴短預覽。
- 清晰度： 所有字詞都應在沒有字幕時仍可聽懂。
- 削波： 尖銳或被壓扁的峰值通常表示錄音音量過高。
- 噪音： 降低會干擾語音的嗡聲、回音、交通聲與環境音。
- 音樂： 盡可能使用純語音音軌，音樂留到剪輯階段再加入。
- 靜音： 修剪意外空白，但保留刻意安排的停頓。
- 語速： 避免快到超出自然嘴部動作的說話速度。
- 權利： 確認聲音、音樂與來源素材均已取得使用許可。
測試音訊保留一個刻意停頓，作為嘴巴應該停止的觀察點。如果仍然動嘴，先分辨殘留噪音與生成問題。清理後另存新版本，不要覆蓋來源檔。
比較修改與在地化工作
語音輸入方式會影響後續每次修改。第一支影片省時的方法，在增加到五種語言或頻繁更新後，可能帶來更多工作。
例如五種語言都要修正同一句話時，TTS可修改各語言腳本並重新生成，但每個聲音仍要檢查發音與語氣。上傳音訊則需要五份重新錄製或剪輯的音訊，並檢查音量與房間聲是否一致。
TTS能修改每種語言的腳本並重生，但仍需審核發音與語氣。上傳音訊需要各語言錄音，並檢查音量與房間聲一致。穩定且高價值內容可能值得錄音；每天變動或個人化內容通常更適合可編輯TTS。
使用簡單的變更記錄：
| 版本 | 腳本變更 | 聲音來源 | 音訊已核准 | 數位化身已重新生成 | 最終審核 |
|---|---|---|---|---|---|
| v1 | 原始版本 | TTS或錄音 | 是 | 是 | 通過 |
| v2 | 修正名稱 | 更新來源 | 待處理 | 待處理 | 待處理 |
用受控A/B測試決定
答案不明確時，固定其他所有輸入，再比較兩種語音方式。
- 選擇一張清楚的人像與固定裁切。
- 撰寫10秒腳本，加入名稱、停頓與情緒轉折。
- 生成一個文字轉語音版本。
- 以接近的速度錄製完全相同的內容並上傳。
- 保持動作指示、取景、長度與輸出設定不變。
- 評分聲音表現、畫面同步、重試次數與修改時間。
結果只代表哪種輸入更適合這張人像、這段訊息和排程。也可在外部核准語音，再當作固定驅動檔。影片畫質提升只用於通過測試的版本。
常見問題
可以上傳音樂或歌曲嗎？
只有目前工具支援時可以。 乾淨的人聲比完整混音容易同步，且必須有使用許可。
上傳音訊保證更好的唇形同步嗎？
不保證。 人像、角度、嘴巴可見度、模型與動作也會影響結果。
兩種方式都能使用複製聲音嗎？
可能可以。 請確認目前支援，並取得說話者授權。
多語影片應該選哪種？
要快速、可修改的版本就選TTS；發音、細節與當地表達更重要時，使用母語者或核准錄音。
測試最難的一句
把最難的名稱、停頓與情緒放進短測試，固定同一人像比較。通過後再確認目前聲音與生成權限並製作完整版。
