跳到正文

ElevenLabs 教程:选声音、导表演、改读音

听声音朗读你自己的文字来选声,把对白当作一段关系来选角,在想法转折处放置表演标签,并在不改动屏幕文字的情况下修正读错的词。附可以并排试听的真实录音。

更新于

声音库里满是标签:“自信”“温暖”“非常适合旁白”。但没有一个标签能告诉你,这个声音读你的脚本会是什么样。唯一能下结论的测试,是听几位候选声音朗读同样的文字。下面是 Bald Rhino 的智能体为一支讲解机翼如何托起喷气式飞机的科普视频试听的三位旁白,用 ElevenLabs 的 Eleven v4 制作。每位都朗读了完整的开头(英文);选一个声音,跟着它朗读的文字走,或者点击任意一个词,从那里开始听。

Michael C. Vincent
Brian
Matilda

[intrigued] A loaded jumbo jet can weigh around four hundred tonnes. So what's holding it up? The answer is right here, in the shape of the wing. A wing is curved, and tilted slightly upward. As it slices through the air, the flow over the top speeds up, and its pressure drops. Underneath, the air slows and presses harder. Low pressure above. Higher pressure below. The wing gets pushed up. That's lift. Now look behind the wing. The air leaves it bent downward. Push air down, and the air pushes the wing up. Two ways of describing the same flow. [lightly amused] And no, the air on top isn't racing to "catch up" with the air below. It actually gets there first. More speed and more wing mean more lift. Enough to carry four hundred tonnes into the sky.

1. 为段落选声,而不是为标签选声

在看名字之前,先描述你要的表演。旁白可能需要撑起一段很长的讲解,又不能把每句话都念成播报;主持人可能需要亲切的聊天节奏;角色则必须对另一位演员做出反应,并随场景变化。这些才是选角需求。标签和分类只能缩小范围:标着“新闻”的声音也能演戏,标着“旁白”的声音也可能把你这类脚本读得太赶。

先列出两三个候选,用相同的音量听它们朗读同一段文字,并保存文件。段落里要放进关键的词:品牌、一个名字、一个数字,以及一次情绪变化。如果是其他语言或口音,就用那种语言和那种地方口音来试;声音的显示名称或模型支持该语言,都不能证明它说巴西葡萄牙语或墨西哥西班牙语时听起来对味。选定之后就固定下来:一个已确认的声音会贯穿之后的每个场景和每次修改。

2. 一次只改一样东西

把选角和调音分开。先听哪个声音适合这个角色,然后只有在表演需要时,才调整这个声音的一项设置。Eleven v4 有两项:稳定性(好的朗读需要更多变化时调低,表演飘忽时调高)和相似度(结果听起来不像你选的声音时调高,贴近原声反而带来不想要的特征时调低)。上面的录音都用了 0.5 的稳定性和 0.75 的相似度,这是用来比较的起点,而不是测试出来的最优值。v4 没有语速或风格设置:用文字、标点和表演提示来塑造节奏。

3. 把对白当作一段关系来选角

在对话里,两个声音的搭配和每个声音本身一样重要。一个慢条斯理、语气冷淡的人,对上一个急促、自以为是的人,对话就容易跟上,也更好笑。一次只测试一个角色:这两条深夜争论的录音保持同一个亚里士多德,只换了苏格拉底。听听同样的台词,由一个面无表情的沙哑男中音和一个温暖的讲故事的人说出来,效果有什么不同。

Del 饰苏格拉底
George 饰苏格拉底
  1. 苏格拉底 [calm, amused] Aristotle. It's two a.m. Why are you still scrolling?
  2. 亚里士多德 [quickly, not looking up] Research.
  3. 苏格拉底 On what?
  4. 亚里士多德 [pause] [embarrassed mumble] ...Raccoons who are bad at stealing.
  5. 苏格拉底 [gently] Ah. And what are you looking for?
  6. 亚里士多德 [defensive] Nothing! I'm relaxing.
  7. 苏格拉底 So you're working very hard... at relaxing. And you feel?
  8. 亚里士多德 [flat] Terrible. Thank you.
  9. 苏格拉底 [slowly, leaning in] Then tell me. Is the phone serving you... or are you serving the phone?
  10. 亚里士多德 [exasperated] Okay, stop with the questions. This is why they gave you hemlock.
  11. 亚里士多德 [regaining composure, lecturing] Look. The problem isn't the phone. It's the dose. Zero screen time? Hermit. Infinite screen time? Raccoon. Virtue lives in the middle. The golden mean.
  12. 苏格拉底 [innocently] And where is the middle... at two in the morning?
  13. 亚里士多德 [long pause, realising] ...Asleep. [quietly] The middle is asleep.
  14. 亚里士多德 [recovering, grand] Excellence is not an act, it's a habit. We are what we repeatedly do.
  15. 苏格拉底 [dry] Lovely. Will Durant wrote that. In nineteen twenty-six.
  16. 亚里士多德 [flustered] ...It's the vibe of my work!
  17. 苏格拉底 [warmly, savouring it] The unexamined scroll is not worth scrolling.
  18. 亚里士多德 [grudgingly impressed] Put that on a mug.
  19. 苏格拉底 I don't write things down.
  20. 亚里士多德 [sighs] Fine. I'll post it for you.

把一段对话放在一次请求里生成,每一轮都绑定到各自的说话人(ElevenLabs 的文本转对话指南),这样节奏、停顿和两人之间的交接才能保留下来。在文本里打出一个名字并不会选定声音;起作用的是说话人分配。

4. 在想法转折处做指导

上面对白里方括号中的标签,比如 [calm, amused](平静、觉得好笑)、[embarrassed mumble](尴尬地嘟囔)或 [long pause, realising](长时间停顿,恍然大悟),是给声音的指导,不是要念出来的词。把标签放在它影响的那句话旁边,放在意图转变的地方:在同一句台词里,从安慰变成恼火,再变成释然。在每一次变化处做标记,而不必给每句话都贴标签。两个都重要时,可以把兼容的标签组合起来([annoyed] [under his breath]:恼火地、压低声音)。

标签是自然语言,不是固定列表,也不保证一定有效。确认提示要的是一种嗓音特质,而不是背景声(ElevenLabs 的提示词指南)。把镜头说明和解释排除在要朗读的文本之外:“她兴奋地说”可能会被念出来。另外,为字幕保留一份不带标签的干净对白。

5. 一个想法放在一条录音里

尽量把一个完整的想法或一段完整的对话放在一次请求中生成。每句话单独请求,每句都会有新的起势和收尾语调,拼接处就会露出来。当长文本必须拆分时,在真正的转折处拆开,并把每部分前后紧挨着的文字作为上下文提供给它,让表演连贯起来。听一听拼接处。如果一处小修补听起来像贴上去的,就把围绕它的整个想法重新生成。

6. 不动屏幕文字,修正一个词

当一个词读错时,只改声音拿到的文本,不改脚本或字幕。在这支广告里,第一条录音把 “Live”(现场、实时)读成了 “I live here”(我住在这里)里那个动词的音,听起来像 “liv”。两种修正只在给声音的隐藏文本上尝试:一种是改拼写,一种是 IPA 音标。最终保留了改拼写的版本,而屏幕上仍然写着 “Live”。听听这三次尝试:

屏幕上

Live one-on-one lessons with a certified teacher.

给声音的文本

Live one-on-one lessons with a certified teacher.

Live · 原样:读成了 “liv”
Lyve, · 改拼写:保留
"/laɪv/" · IPA:未采用

Eleven v4 接受写在文本中、放在斜杠之间的 IPA 音标,包括重音符号。要针对目标语言和口音核实音标,而不是根据拼写去猜;在整份脚本中使用之前,先在上下文里测试这个词,并且只用在这一个词上。就像这里一样,简单地改一下拼写,效果可能更好。

7. 有意识地处理数字、日期和停顿

决定日期、金额、电话号码、缩写或单位在那种语言里应该怎么读,重要时就照那样写出来:阿拉伯数字、数值、字母或文字。知道语言时就设定语言;语言代码选择的是语言,而不是地方口音(ElevenLabs 的文本转对话 API 参考)。v4 不支持 SSML 停顿标签:标点和文本结构决定节奏,省略号能暗示犹豫,但不保证一段精确的静音。需要精确的停顿时,就在剪辑里加。

当一段话放不进它的时长时,先删减文字或修改画面,而不是让声音赶着读。保留承载思路的呼吸和停顿。

8. 保留好的部分,听完再做决定

只修复出错的最小部分,保留它周围已确认的表演。要让另一个声音保持某位演员的语气节奏,语音转换会跟随原始表演,包括口音和情感表达(ElevenLabs 的变声器指南),所以它救不了一段本身读得不好的素材。检查每一句台词、每个名字和数字、说话人、口音、情绪和句尾。

转写只是找出可疑之处的手段,而不是定论:文字对得上,并不能证明发音、表演或口型同步没问题;转写把一个名字拼错了,也不能证明声音读错了。拿不准时就去听,或者请懂这门语言的人来听。