AI 配音怎麼做？寫稿、生成到放進影片 4 個步驟，1 分鐘要寫幾個字、免費的能不能上 YouTube

你可能剛剪好一支影片，或做好一份要錄成影片的簡報，卡在最後一步：旁白。自己錄要找安靜的地方，念錯一個字就要重來，錄完也不一定喜歡自己的聲音。AI 配音的做法是把要講的話寫成稿子，交給文字轉語音的工具念出來，再把音檔放進影片。

這篇照實際做的順序講四個步驟。先交代我做了什麼：語速、標點的停頓、停頓指令這幾項，我在自己的 Mac 上用內建的台灣中文聲音實際生成音檔、量了長度；ElevenLabs 和 CapCut 我沒有帳號，是照官方文件和工具頁整理的，日期是 2026 年 10 月 15 日。

步驟一：先想清楚聲音要用在哪裡

這一步決定你能用哪些工具。很多人先挑「聲音最像真人」的，做完才發現不能公開、不能商用。

Mac 內建有 9 個台灣中文聲音，免費、不用連網，但 macOS 軟體授權合約寫系統聲音只能用在「個人非商業用途」，公開分享也不在範圍內，所以就算是沒開營利的公開影片也不行。ElevenLabs 免費版每月 1 萬點，同樣沒有商用授權，要商用至少訂 Starter，每月 6 美元。

各家有幾個台灣口音的聲音、免費額度多少、能不能商用，並排整理在文字轉語音免費工具怎麼選。

步驟二：寫一份給耳朵聽的稿子

AI 是照字念的。稿子寫得好不好，對成品的影響常常比挑哪個聲音還大。下面三件事，寫稿時先處理。

1 分鐘大約 230 字

我用 Mac 內建的美佳（Meijia）、預設速度，念一段 128 個中文字（不算標點）的旁白，產生的音檔長 32.6 秒，換算大約每分鐘 236 字。

我也試了調速度。say 指令的 -r 設成 240，同一段變成 25.2 秒；設成 120 是 35.8 秒。速度設定差了一倍，長度只差四成左右，所以不要指望靠調速度把太長的稿子塞進去，刪字比較實在。

要配 1 分鐘的影片，稿子先抓 230 字上下。每個聲音的語速不一樣，最準的做法是用你選的聲音先念一段、量一下長度，再決定要刪多少。ElevenLabs 也能調速度，官方文件寫範圍是 0.7 到 1.2 倍、預設 1.0，Eleven v3 模型沒有這個設定。

標點就是停頓

我拿同一句話比較：「今天要分享的是怎麼用電腦幫影片配上旁白很多人拍完影片才發現自己錄音很花時間」，37 個字、不加標點，念出來 8.77 秒。加上兩個逗號、兩個句號，變成 9.55 秒，多出來的 0.78 秒就是停頓。沒有標點的長句，AI 會一口氣念完，聽起來很趕。

我也試了把第一個逗號換成刪節號「……」，長度跟用逗號一模一樣，沒有停得比較久。想明確停久一點，要用工具的停頓指令：

• Mac 的 say：在文字裡加 [[slnc 1000]]，1000 是毫秒。我在上面那句的句號後面加上去，音檔剛好多了 1.00 秒。
• ElevenLabs：官方文件寫用 <break time="1.0s" />，最長 3 秒。但 Eleven v3、v4 這兩個模型不支援，要改用刪節號或調整句子結構；文件也提醒一次用太多 break 可能讓聲音不穩。

數字、英文縮寫、破音字，寫成你要的念法

ElevenLabs 的文件把電話號碼、金額、日期、時間、網址、單位縮寫列為常念錯的地方，還舉了一個例子：同樣是「$1,000,000」，Multilingual v2 模型念成「一百萬美元」，Flash v2.5 卻念成「一千個一千美元」。文件的建議是把縮寫展開、把數字寫成你要它念的樣子。

中文的破音字也是同一個道理。寫稿時就換成不會念錯的說法最省事。ElevenLabs 另外有發音字典，可以上傳檔案指定某個詞怎麼念，官方文件寫支援 alias（換成別的字）和 phoneme（指定音標）兩種寫法，但文件的例子都是英文。

步驟三：生成、試聽、下載

ElevenLabs：網站上貼稿子就能做

官方文件寫的流程：在 Text to Speech 頁面貼上文字，從左下角的聲音清單選一個聲音，選模型（非英文的內容用多語言模型），需要的話調語速和穩定度，按 Generate，生成完就能下載。下載預設是 MP3 和 WAV，進階選項還有 M4A、FLAC。

幾個跟錢有關的細節：

• 按下 Generate 就會扣點，文件寫沒有辦法不扣點、先用自己的稿子試聽。
• 同樣的文字、聲音、模型，兩小時內、頁面沒重新整理，網站上可以免費重新生成兩次。
• 網站上一次最多 2,500 個字元（免費版），付費方案 5,000 個。照每分鐘 236 字算，免費版一次大約能做 10 分鐘的中文。
• 說明中心寫，網站上每個文字字元扣 1 點；語音庫裡有些別人分享的聲音有自己的費率，扣點會再乘上倍數。

文件沒有特別寫中文怎麼算。如果中文也是一個字扣一點，照我量到的語速粗算，免費版每月的 1 萬點大約能念 40 分鐘的中文。這是我推算的，我沒有帳號驗證，實際還要看你選的聲音念多快。

想先試試看的話，可以從 ElevenLabs 的免費版開始；方案和點數的細節在 ElevenLabs 是什麼。

CapCut：剪片的同時順便配音

CapCut 是剪映的國際版，可以剪影片，也內建文字轉語音。它的台灣工具頁寫了兩種做法：

• 電腦版：建立專案、匯入影片，到「文字」→「新增文字」貼上稿子，打開「文字到語音」的面板、選一個聲音，按「生成語音」。
• 線上版：到 AI 工具裡的 Text to speech，貼上文字、選聲音和語言，可以先預覽 5 秒，再按生成，之後下載或直接用在專案裡。

工具頁寫有 200 多種 AI 聲音，語言包括中文，可以調語速和音量，音訊能匯出成 AAC、FLAC、MP3、WAV。常見問題寫產生的音訊可以用在廣告、YouTube 影片這類商業用途，但同一段也提醒要遵守 CapCut 的使用條款。我沒有 CapCut 帳號，沒有實際生成，有沒有台灣口音的聲音不知道。

其他做法

• 雅婷：台灣團隊做的，開發者文件列了 3 個台語聲音，網頁版 Yating Studio 的價格沒有公開。整理在雅婷文字轉語音還能用嗎。
• Google、微軟的語音 API：要寫程式、開雲端帳號，免費額度大，Google 的台灣中文有 6 個聲音。整理在 Google 文字轉語音怎麼用。
• Mac 內建：在「終端機」打 say -v Meijia -f 稿子.txt -o 旁白.aiff，把整份稿子存成音檔。我那段 32 秒的旁白 1 秒多就生好了，但只能自己聽。

步驟四：放進影片、對齊畫面

把下載的音檔拖進剪輯軟體的音軌，再對著畫面切開、挪動位置。

一次生成整篇和一段一段生成，差別在修改的時候。整篇一起生成，某一句念錯就要整篇重來，用 ElevenLabs 的話等於整篇再扣一次點；一段一段生成，只要重做念錯的那一段。稿子照畫面換場的地方分段，剪的時候也比較好對。

如果你用的是 CapCut，文字和配音本來就在同一個專案裡，改稿後重新生成那一段就好。常被推薦的 Descript 能「改逐字稿就剪影片」，但它目前不能轉錄中文語音，細節在 Descript 有中文嗎。

這篇沒有測的

我沒有 ElevenLabs、CapCut 帳號，兩邊都沒有實際生成，聲音自不自然、有沒有台灣口音、實際扣點都沒有驗證；「1 萬點約 40 分鐘中文」是用 Mac 聲音的語速推算的。Mac 的幾個測試量的是音檔長度，沒有逐句聽念得對不對，數字和破音字的念法也沒有測。CapCut 的使用條款沒有逐條讀。