多媒体与 3D · 进阶
TTS(语音合成)
Text-to-Speech
把写好的文字变成能听的声音,让机器替你念稿,音色、语速和停顿都能调,做旁白和有声内容时最省人的一步。
TL;DR三十秒版本
- 把写好的文字变成念出来的声音,机器替你把稿读一遍。
- 音色、语速和停顿都能调,做旁白最省人的一步。
- 重音和情绪仍可能偏,数字和专有名词也容易念错。
Overview详细说说
TTS 的全称是 Text-to-Speech,中文叫语音合成,做的是一件事:把写好的文字转成朗读出来的人声。你给它一段文案,它还你一段音频,听起来是连续自然的说话声,而不是一个字一个字往外蹦。音色可以挑,语速和停顿也能调。它输出的通常是通用格式的音频文件,可以直接拖进常见的剪辑软件里使用。
需要它的地方,多半是“非读不可”却又“不值得真人念”的场合。课程讲稿、视频旁白、播客、说明书朗读,内容只是要把字念出来,请人录一遍费时费钱,改一次还得重录。它把这件事变成点一下就完成,成本低到可以随手用,改稿也不再心疼。同一个脚本想换语气、换语速再出一版,也几乎不额外花时间和钱。
用的时候一般先选音色,再喂一段参考声音。如果把自己的声音样本提供过去,念出来的内容就能保留本人的音色,也就是常说的声音克隆。做系列视频时固定一个音色,观众才更容易觉得一直是同一个“人”在说话。不少工具还支持一次生成多种语气供比较,挑一版最贴合的再导出。
它最容易被和语音识别搞反。一个是文字变声音,一个是声音变文字,一个出口一个入口,方向刚好相反。另外现在的合成声音在大部分场景已经很像真人,但重音和情绪仍可能偏,数字、专有名词也容易念错,正式发布前值得自己完整听一遍。
Myths常见误解
- ✕以为 TTS 和语音识别是一回事 ✓一个把文字变声音,一个把声音变文字,方向刚好相反
- ✕以为合成的声音已经和真人一样稳 ✓多数场景够像了,但重音和情绪仍可能偏,重要场合要听一遍
- ✕以为念错字只能等模型变好 ✓数字和专有名词常出问题,发布前人工改一遍比干等更稳
In practice你会在哪用到它
- 给课程讲稿挑一个稳的音色,让它把整篇念成音频
- 视频剪好后,把旁白稿贴进去生成一条配音轨道
- 同一个稿子换个语速再生成一版,比比哪版更耐听
Summary记住这几点就够了
- TTS 是文字转语音,让机器替你念稿
- 音色、语速和停顿都能调,适合做旁白和朗读
- 它和语音识别方向相反,一个把文字变声音,一个把声音变文字
常见问题
TTS(语音合成)是什么意思?
把写好的文字变成念出来的声音,机器替你把稿读一遍。音色、语速和停顿都能调,做旁白最省人的一步。重音和情绪仍可能偏,数字和专有名词也容易念错。
TTS(语音合成)一般用在什么地方?
给课程讲稿挑一个稳的音色,让它把整篇念成音频;视频剪好后,把旁白稿贴进去生成一条配音轨道;同一个稿子换个语速再生成一版,比比哪版更耐听。
关于TTS(语音合成),最容易搞错的是什么?
以为 TTS 和语音识别是一回事,其实一个把文字变声音,一个把声音变文字,方向刚好相反;以为合成的声音已经和真人一样稳,其实多数场景够像了,但重音和情绪仍可能偏,重要场合要听一遍。
TTS(语音合成)要记住哪几点?
TTS 是文字转语音,让机器替你念稿;音色、语速和停顿都能调,适合做旁白和朗读;它和语音识别方向相反,一个把文字变声音,一个把声音变文字。
容易踩的坑 合成的声音在重音和情绪上仍可能有偏差,重要场合发布前最好人工听一遍。
全站第 129 / 186 条 · 全部词条
接着读Related reading
字幕(Subtitle)
视频里叠在画面上、跟着说话内容出现的文字,把听到的话变成能一眼扫过的字。听不清、静音刷手机或看外语视频时都靠它。
分镜(Storyboard)
视频开拍前,把脚本拆成一个个镜头、每个镜头配一张画面草稿的规划动作。它定的是每个镜头拍什么、大概几秒,不是成片效果。
3D 建模(Modeling)
在电脑的三维空间里,把一个物体的立体形状一点点搭出来。有了形状,才能接着做表面材质、打光、渲染和动画。
Three.js(网页 3D 库)
一套让网页直接显示三维画面的 JavaScript 工具库。你不用碰浏览器最底层的图形指令,几行代码就能在网页里放出一个能旋转、会打光的立体场景。
Blender(3D 软件)
一款免费开源的 3D 创作软件,建模、上色、打光、渲染、动画都能在同一个程序里完成。个人和小团队不用花大钱,也能走完整套 3D 流程。
剪映(视频剪辑软件)
国内最常见的视频剪辑软件,手机和电脑都能用,海外版叫 CapCut。拖素材、切时间轴、加字幕、套模板,新手几分钟也能剪出一条能发的视频。