AI 语音生成器：把文字变成自然语音

AI 语音生成器会把书面脚本转换成口语音频。在 Pipe2.ai 中，Audio Generator接收文字、模型选择、可选音色和可选风格指令，然后返回一个可下载或用作视频旁白的 MP3。实用流程很直接：写好文字，说明它应该怎样被朗读，生成，试听，再调整。

已在 2026-08-31 对照 Audio Generator 的 seed 和 workflow 核查： 本文反映当前公开流水线表单：text 必填；model、voice、instructions 和 enhance_prompt 可选；返回素材为 MP3 音频。本文不假设存在时长控制、歌唱、音效、声音克隆或匿名访问。

五步生成 AI 语音

1. 打开 Audio Generator。 从 Audio Generator 流水线开始。它是 Pipe2 用来把文字转换成语音的流水线。
2. 选择模型。 更快、更经济的默认路径可用 Gemini 2.5 Flash TTS；如果更看重韵律和节奏，可选 Gemini 2.5 Pro TTS；如果 MiniMax Speech 2.8 的音色更适合任务，也可以选择对应选项。
3. 粘贴脚本。 输入需要朗读的准确文字。多语言内容请直接用目标语言写脚本；该流水线面向 70 多种语言，并从脚本中推断语言。
4. 选择音色和风格。 如果希望模型根据文字和指令匹配音色，就保持 Auto。如果同一位旁白要在多个片段中反复出现，就固定某个命名音色。在 Voice Instructions 中用普通语言描述表演方式：“温暖的纪录片旁白，中性口音，不急不慢，并有清晰停顿。”
5. 生成并试听。 输出是一个 MP3。检查节奏、发音、数字和语气。如果不理想，修改文字或指令，再生成另一个版本。

当你希望 Pipe2 根据所选模型调整指令时，保持 Enhance prompt 开启。只有在需要原样发送自己写的提示时，才关闭它。

Audio Generator 接收什么、返回什么

Audio Generator 是文本转语音流水线，不是现有录音编辑器。必填输入是书面文字。可选控制项包括模型、音色、风格指令和提示增强。输出是 MP3 音频。

这意味着旁白长度取决于文字。没有单独的时长滑块。脚本越长，语音轨越长；脚本越短，语音轨越短。非常长的文字可能会在 workflow 中被拆分再拼接。因此，长篇旁白最好按自然段落拆开，并在最终合成音频前逐段检查。

当前公开流水线说明将 Audio Generator 定位于旁白、配音、多语言脚本、有声书式朗读、播客片头、无障碍音频和视频旁白。它不适合生成音乐或音效。背景音乐请使用 Music Generator，并把生成的人声作为独立素材保留。

选择合适的模型和音色

模型选择会影响速度、风格和成本：

• Gemini 2.5 Flash TTS 是更快、更经济的默认模型，适合草稿、短社媒片段和反复试听。
• Gemini 2.5 Pro TTS 是更高保真的 Gemini 选项，适合成品旁白，尤其适合句子节奏和停顿承担表达重点的内容。
• MiniMax Speech 2.8 Turbo 是更快的 MiniMax 语音选项，适合草稿和社媒片段。
• MiniMax Speech 2.8 HD 是更精修的 MiniMax 选项，适合最终旁白。

并不是每段配音都有同一个固定成本。当前计费目录中，Gemini TTS 使用模型档位，而 MiniMax Speech 2.8 按生成字符计费。运行长脚本前先查看估算，并先用短片段测试。

音色方面，如果更关心匹配度而不是连续性，Auto 很有用。如果旁白、角色或品牌声音需要在多个素材中保持一致，就选择命名音色。发音不对时，优先调整脚本本身：把缩写写完整，按发音重写名字，或在句子需要换气的位置加入标点。

写出容易朗读的文字

脚本是最强的控制方式。很多时候，小的文字修改比再次运行模型更有效：

• 写短句。 长而嵌套的句子容易显得仓促或平淡。短句会产生自然停顿。
• 有意使用标点。 句号是完整停顿，逗号是短暂停顿，省略号表示更长停顿。想让语速放慢的地方可以加逗号。
• 把方向写进指令。 “平静、令人安心、缓慢、中性口音”比“专业”更清楚。
• 先试听难读的行。 名字、缩写、价格、日期和产品名称，值得在整段旁白前单独测试。
• 保持片段模块化。 长视频可以分段生成，这样只需要替换某一段，而不必重做全部脚本。

一条有用的指令会同时包含人物、语气、口音和节奏：

平静的产品旁白。中性的美式口音，温暖但不过度兴奋。语速适合教程，每句话后都有清晰停顿。

把指令当作表演方向，而不是确定性的控制面板。如果听起来接近但还不够好，调整文字，再生成一次。

把旁白放进视频

生成的人声在最终组装前最好保持独立。先在 Audio Generator 中创建 MP3，再通过 Video Reel 的 Narration 输入添加它。背景音乐放在自己的输入中，这样混音时可以让人声保持在前。需要音乐时，先用 Music Generator生成。

更完整的制作流程可以看如何制作 AI 视频：规划镜头、生成片段、添加旁白、添加音乐，并用字幕或品牌元素收尾。如果难点是让配乐不盖住人声，请读如何给视频添加音乐。如果还需要背景音乐本身，请用如何用 AI 生成音乐。

把脚本、生成的 MP3 和最终视频作为独立素材保存。这样重配一句台词或改变表达方式就是一次小修改，而不是重做整个项目。