如何用 AI 把文字转成语音：实用指南

要在 Pipe2.ai 中把文字转成 AI 语音，请打开 Audio Generator，粘贴你想朗读的脚本，选择一个音色（或保持 Auto），并在 Voice Instructions 字段中描述表达方式——语气、口音、节奏、情绪。模型会以这种风格朗读你的文字，并返回一个可下载或叠加到视频上的 MP3。这里没有录音棚，也不必约配音演员；书面文字加一条简短的风格说明就是全部输入。

工作流核查 — 2026 年 7 月： 下文所述的输入项、音色数量、语言覆盖、风格控制行为和输出格式，已根据当前的 Audio Generator 管线进行验证。本指南不会假设表单并不提供的控制项。

五步生成旁白

1. 打开 Audio Generator。 从 Audio Generator 管线开始。它使用 Gemini 2.5 TTS，提供 30 种音色，覆盖 73 种语言。
2. 粘贴文字。 输入你想朗读的确切内容。标点在这里很重要——它控制着停顿（见下文）。
3. 选择音色。 保持 Auto 让模型根据你的风格说明匹配音色，或在需要多个片段保持同一角色时，固定选用某个命名音色（Zephyr、Puck、Kore 等）。
4. 描述表达方式。 在 Voice Instructions 中写明它应该听起来如何：“温暖的英式口音，语速缓慢并带有戏剧性停顿”，或“欢快、积极，节奏轻快”。这是大白话的指导，而不是数字滑块。
5. 生成并试听。 输出是一个 MP3。检查节奏以及任何棘手的名称或数字，必要时调整文字或说明并重新生成。

Audio Generator 接收文字、一个可选音色和一条可选风格说明，返回单个 MP3。音频长度取决于文字的长度——没有独立的时长控制——因此脚本本身决定了片段的时长。

写出模型好读的文字

因为文字就是脚本，对文字做小改动比其他任何调整都更能改变结果。几个习惯会有帮助：

• 用简短、清晰的句子书写。 它们比冗长、从句繁多的句子节奏更好，也给模型留出自然的换气之处。
• 用标点塑造停顿。 句号是完整停顿，逗号是短暂停顿，省略号是更长的停顿。想让表达放慢的地方，就加上逗号。
• 把棘手的词按发音拼写，如果某个名称、缩写或数字被读错，就这样改写后重新生成。
• 每个角色保持一个音色。 为固定的旁白者固定选用某个命名音色，让声音在多个片段间保持一致；只需为单个片段找一个合适匹配时，就使用 Auto。

至于风格本身，把口音、情绪和语速放在一起描述。例如：

平静、令人安心的旁白者。语速轻柔从容，句与句之间留有清晰停顿。中性口音，温暖但不过于明亮。

Google 的 Gemini 语音生成指南建议采用这种自然语言的指导方式，而不是试图把语气编码为参数。风格控制富有表现力但并不精确，因此把说明当作指引，在试听后再加以打磨。

值得了解的音色、时长和限制

有几个行为容易踩坑：

• 长度取决于文字。 没有时长旋钮；脚本越长，片段越长。想改变时长就删减或扩充文字。
• 非常长的脚本会被切分。 管线会切分长文字，分别生成，再拼接起来，这可能在接缝处留下轻微接痕。把长脚本按自然段落拆分会有帮助。
• 风格是方向性的，而非精确的。 说明会引导语气和节奏，但不会每次都命中精确的情绪或时间；应该重新生成，而不是期待单次就得到固定结果。
• 它会说话，但不会唱歌或配乐。 若需要音乐或器乐铺底，请使用 Music Generator；Audio Generator 只做语音。

把旁白放进视频

生成的语音在附到画面上时最有用。常见路径是 Audio Generator → Video Reel：先制作旁白，再通过 Video Reel 的 Narration 输入添加，同时背景音乐留在自己的输入上，这样语音和音乐会被混合，并让人声保持在前。如果你还想在旁白下铺一层背景音乐，可以用 Music Generator生成一段，然后把两者一起附加。

关于完整的制作流程——规划镜头、生成片段、添加旁白和音乐，再到字幕和品牌元素——请参阅如何制作 AI 视频。要在配乐和语音之间做平衡，请参阅如何给视频添加音乐；要生成音乐本身，请参阅如何用 AI 生成音乐。

把脚本、生成的 MP3 和任何最终视频作为独立素材保存。这样你就能重新配音某一句，或替换表达方式，而不必重做项目的其余部分。