[{"data":1,"prerenderedAt":4},["ShallowReactive",2],{"blog-body-ai-peiyin-huorengan":3},"\u003Cblockquote>\u003Cp>AI配音没有活人感，多半不是模型不行，而是四个地方没处理好：文案是写给眼睛看的书面语、停顿只落在标点上、参考音频是朗读腔、情绪整段开到底。按「文案 → 停顿 → 参考音频 → 情绪」的顺序改，同一个模型配出来的效果能差一大截，其中最管用、也最容易被忽略的是改文案。\u003C/p>\u003Cp>在IndexTTS2在线版上，四步都有对应的功能：停顿可以插在句中任意位置（0.3–3.0秒六档）；上传5–30秒录音即可克隆，自带AI降噪；情绪在V2.5高保真档的「语气控制模式」里设置，每次生成选一种情绪、调一个强度。注册即送150,000字符，免费的V2.0档能做前三步；情绪控制需要专业会员。\u003C/p>\u003C/blockquote>\n\u003Ch2 id=\"s1\">在IndexTTS2在线版上，先听改前和改后\u003C/h2>\n\u003Cp>AI味能去掉多少，先听一组对比。下面两段用的是同一个声音模型、同样的参数，唯一的区别是文案：改前是书面语，改后是口语，并在「降噪」后面插了0.3秒停顿。\u003C/p>\n\u003Cp>同一个声音、同样的参数，只改了文案和一处停顿：\u003C/p>\n\u003Cdiv class=\"audiogroup\">\u003Cdiv class=\"ahdr\">同一个声音，改前和改后的文案（原样输出）\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">改前（书面语）\u003Cem class=\"aigen\">AI生成\u003C/em>\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/idx-b8-gaiqian.mp3\">\u003C/audio>\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">改后（口语，「降噪」后插0.3秒停顿）\u003Cem class=\"aigen\">AI生成\u003C/em>\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/idx-b8-gaihou.mp3\">\u003C/audio>\u003C/div>\u003Cp class=\"anote\">IndexTTS2在线版生成，同一个声音模型，未剪辑、未降噪。\u003C/p>\u003C/div>\n\u003Cp>四步里每一步，在线版上都有对应的功能：\u003C/p>\n\u003Cdiv class=\"tbl\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>步骤\u003C/th>\u003Cth>在线版对应功能\u003C/th>\u003Cth>免费（V2.0极速档）\u003C/th>\u003Cth>专业会员（V2.5高保真）\u003C/th>\u003C/tr>\u003C/thead>\u003Ctbody>\u003Ctr>\u003Ctd>① 改文案\u003C/td>\u003Ctd>文案框，附「优化文案」\u003C/td>\u003Ctd>能\u003C/td>\u003Ctd>能\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>② 加停顿\u003C/td>\u003Ctd>六档停顿：0.3 / 0.5 / 1.0 / 1.5 / 2.0 / 3.0秒\u003C/td>\u003Ctd>能\u003C/td>\u003Ctd>能\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>③ 参考音频\u003C/td>\u003Ctd>上传5–30秒录音克隆，自带AI降噪\u003C/td>\u003Ctd>能，中文、英文\u003C/td>\u003Ctd>能，中英日西阿5种语言\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>④ 情绪\u003C/td>\u003Ctd>「语气控制模式」：每次选一种情绪、调强度\u003C/td>\u003Ctd>不能\u003C/td>\u003Ctd>能\u003C/td>\u003C/tr>\u003C/tbody>\u003C/table>\u003C/div>\n\u003Cp>注册即送150,000字符。建议先用免费档把前三步练熟，前三步做对，已经能去掉大半AI味。本站是基于IndexTTS2的第三方在线版，不是官方。\u003C/p>\n\u003Ch2 id=\"s2\">AI配音为什么没有活人感？\u003C/h2>\n\u003Cp>AI配音一听就是AI，通常是下面五处出了问题，越靠前，对听感影响越大：\u003C/p>\n\u003Cfigure class=\"fig\">\u003Cimg src=\"/blog/images/idx-b8-ai-wei.webp\" alt=\"AI味从哪来：五个来源和对应的解决步骤\" width=\"2400\" height=\"1236\" loading=\"lazy\" decoding=\"async\">\u003Cfigcaption>AI味的五个来源\u003C/figcaption>\u003C/figure>\n\u003Cdiv class=\"tbl\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>听起来像AI\u003C/th>\u003Cth>真正的原因\u003C/th>\u003Cth>在哪一步改\u003C/th>\u003C/tr>\u003C/thead>\u003Ctbody>\u003Ctr>\u003Ctd>像在念稿\u003C/td>\u003Ctd>文案是写给眼睛看的书面语\u003C/td>\u003Ctd>第一步：文案\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>一口气不喘\u003C/td>\u003Ctd>只在标点处停，意群中间没有气口\u003C/td>\u003Ctd>第二步：停顿\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>每句一个调\u003C/td>\u003Ctd>参考音频本身是朗读腔\u003C/td>\u003Ctd>第三步：参考音频\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>情绪错位\u003C/td>\u003Ctd>整段一个情绪，或情绪拉得太满\u003C/td>\u003Ctd>第四步：情绪\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>重音不对\u003C/td>\u003Ctd>多音字、数字、专有名词读错\u003C/td>\u003Ctd>第一步：文案\u003C/td>\u003C/tr>\u003C/tbody>\u003C/table>\u003C/div>\n\u003Cp>很多人觉得AI味是模型不够好，于是不停换工具。其实换一个工具，这五个问题照样在。\u003C/p>\n\u003Ch2 id=\"s3\">第一步：文案怎么改才像人说话？\u003C/h2>\n\u003Cp>把「写的字」改成「说的话」。真人说话用短句、口头词，而且先说结论；书面语用长句、正式词，先铺垫后结论。同一个模型，读这两种文案，听感完全不同。\u003C/p>\n\u003Cdiv class=\"tbl\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>改什么\u003C/th>\u003Cth>改前\u003C/th>\u003Cth>改后\u003C/th>\u003C/tr>\u003C/thead>\u003Ctbody>\u003Ctr>\u003Ctd>长句拆短\u003C/td>\u003Ctd>本产品采用了先进的主动降噪技术，能够在嘈杂环境中有效提升通话质量。\u003C/td>\u003Ctd>这副耳机，降噪是真的强。\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>书面词换口头词\u003C/td>\u003Ctd>能够有效提升\u003C/td>\u003Ctd>是真的强\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>结论放前面\u003C/td>\u003Ctd>先讲技术，最后讲效果\u003C/td>\u003Ctd>先说效果，再给场景：我在地铁上打电话，对面压根听不出来我在地铁上。\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>数字改汉字\u003C/td>\u003Ctd>2块钱、3点\u003C/td>\u003Ctd>两块钱、三点\u003C/td>\u003C/tr>\u003C/tbody>\u003C/table>\u003C/div>\n\u003Cp>改完听起来有多大差别，见本文开头的改前改后试听。\u003C/p>\n\u003Ch2 id=\"s4\">第二步：停顿加在哪里？\u003C/h2>\n\u003Cp>AI默认只在逗号、句号处停，而且停得差不多长。真人会在说重点前停一下、在转折处换口气、在包袱前顿半拍，这些停顿很多不在标点上。\u003C/p>\n\u003Cdiv class=\"tbl\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>加在哪\u003C/th>\u003Cth>停多久\u003C/th>\u003Cth>例子\u003C/th>\u003C/tr>\u003C/thead>\u003Ctbody>\u003Ctr>\u003Ctd>重点之前\u003C/td>\u003Ctd>0.3秒左右\u003C/td>\u003Ctd>这副耳机，降噪【停】是真的强\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>转折之前\u003C/td>\u003Ctd>0.3–0.5秒\u003C/td>\u003Ctd>看着挺贵，【停】其实不到三百\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>包袱、反转之前\u003C/td>\u003Ctd>0.5–1秒\u003C/td>\u003Ctd>搞笑段子、剧情反转\u003C/td>\u003C/tr>\u003C/tbody>\u003C/table>\u003C/div>\n\u003Cp>一句话里一处就够，停多了会拖沓。在IndexTTS2在线版里，把光标放在要停的位置，点下方的停顿档位（0.3–3.0秒共六档），文案里会出现「#0.3s#」这样的标记。\u003C/p>\n\u003Cfigure class=\"fig\">\u003Cimg src=\"/blog/images/idx-b8-shot1.webp\" alt=\"在文案中插入停顿\" width=\"2270\" height=\"1748\" loading=\"lazy\" decoding=\"async\">\u003Cfigcaption>IndexTTS2在线版：在句中插入停顿\u003C/figcaption>\u003C/figure>\n\u003Ch2 id=\"s5\">第三步：参考音频怎么录？\u003C/h2>\n\u003Cp>声音克隆是「零样本」的：模型不针对你重新训练，而是从几秒参考音频里学你的音色和说话方式。录音里是什么语气，之后生成的每一句就是什么语气。\u003C/p>\n\u003Cp>很多人录参考音频时不自觉地端起来，用播音腔一字一顿地念，结果之后每一句都是播音腔。\u003C/p>\n\u003Cul>\u003Cli>\u003Cstrong>时长\u003C/strong>：本站要求5–30秒，10秒左右最合适；\u003C/li>\u003Cli>\u003Cstrong>环境\u003C/strong>：安静，只有你一个人说话，录音有杂音可以先用站内AI降噪；\u003C/li>\u003Cli>\u003Cstrong>语气\u003C/strong>：像给朋友发语音一样随口说，不要念稿；\u003C/li>\u003Cli>\u003Cstrong>情绪\u003C/strong>：平稳。录音里的激动会被带进所有句子，想要情绪交给第四步去加。\u003C/li>\u003C/ul>\n\u003Ch2 id=\"s6\">第四步：情绪怎么设才不像在演？\u003C/h2>\n\u003Cp>两个常见错误：整段一个情绪，听着像在演；情绪强度拉满，声音变夸张，甚至不像同一个人。\u003C/p>\n\u003Cp>做法是\u003Cstrong>分段生成，从低往上加\u003C/strong>：在IndexTTS2在线版V2.5档的「语气控制模式」里选「输入语气参数」，每次生成选一种情绪、调一个强度。所以把文案拆开，大部分句子用平静的情绪一起生成，只把真正需要情绪的一两句单独拿出来，设好情绪再生成，最后拼在一起。强度先从低的试。IndexTTS官方说明里也建议，让模型根据文字自动判断情绪时，把情感强度设在0.6左右或更低，效果更自然。本站实测日语时也发现，情绪强度调高后音色会漂移，建议从0.3–0.4起步。\u003C/p>\n\u003Cfigure class=\"fig\">\u003Cimg src=\"/blog/images/idx-b8-shot2.webp\" alt=\"设置情绪和强度\" width=\"2384\" height=\"1750\" loading=\"lazy\" decoding=\"async\">\u003Cfigcaption>IndexTTS2在线版：生成前设置情绪\u003C/figcaption>\u003C/figure>\n\u003Cdiv class=\"callout warn\" role=\"note\">\u003Cspan class=\"callout-label\">注意\u003C/span>\u003Cdiv class=\"callout-body\">\u003Cp>情绪控制在V2.5高保真档的「语气控制模式」，需要专业会员。免费的V2.0极速档支持中英文声音克隆，不带情绪控制。\u003C/p>\u003C/div>\u003C/div>\n\u003Ch2 id=\"s7\">一个十秒钟的自测\u003C/h2>\n\u003Cp>配完以后闭上眼睛听一遍，问自己：这像不像一个人在跟我说话？\u003C/p>\n\u003Cdiv class=\"tbl\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>听起来\u003C/th>\u003Cth>回到哪一步\u003C/th>\u003C/tr>\u003C/thead>\u003Ctbody>\u003Ctr>\u003Ctd>像在念\u003C/td>\u003Ctd>第一步，改文案\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>一口气不喘\u003C/td>\u003Ctd>第二步，加停顿\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>每句一个调\u003C/td>\u003Ctd>第三步，重录参考音频\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>像在演\u003C/td>\u003Ctd>第四步，把情绪调低\u003C/td>\u003C/tr>\u003C/tbody>\u003C/table>\u003C/div>\n\u003Ch2 id=\"s8\">总结\u003C/h2>\n\u003Cp>活人感不是靠某一个参数调出来的，是文案、停顿、参考音频、情绪四步一起做对的结果。想马上试试，打开\u003Ca href=\"/\">IndexTTS2在线版\u003C/a>，注册即送150,000字符；各语种和方言支持情况见\u003Ca href=\"/blog/indextts2-yuyan-fangyan/\">《IndexTTS2支持哪些语言》\u003C/a>。声音克隆只能用本人或已获授权的声音，发布AI生成的音频需按《人工智能生成合成内容标识办法》标识。\u003C/p>\n\u003Ch2 id=\"s9\">常见问题\u003C/h2>\n\u003Cdl class=\"faq\">\u003Cdt>AI配音为什么听起来不自然？\u003C/dt>\u003Cdd>最常见的原因有五个：文案是书面语、只在标点处停顿、参考音频是朗读腔、整段一个情绪或情绪拉太满、多音字和数字读错。前四个影响最大。\u003C/dd>\u003Cdt>怎么让AI配音有感情？\u003C/dt>\u003Cdd>先把文案改成口语，再在重点和转折前加停顿，用聊天语气录参考音频，最后只给需要的句子加情绪，强度从低往上加。IndexTTS官方建议用文字自动判断情绪时，把情感强度设在0.6左右或更低。\u003C/dd>\u003Cdt>情绪强度越高越好吗？\u003C/dt>\u003Cdd>不是。强度过高声音会变夸张，甚至不像同一个人。本站实测日语等语种时也发现，情绪调高后音色会漂移，建议强度从0.3–0.4起步。\u003C/dd>\u003Cdt>参考音频怎么录才有活人感？\u003C/dt>\u003Cdd>本站上传要求5–30秒，10秒左右最合适；安静环境，只有一个人说话，用平时聊天的语气随口说两句，不要用播音腔念稿。录音里的语气会被带进之后所有的句子。\u003C/dd>\u003Cdt>免费额度能调情绪吗？\u003C/dt>\u003Cdd>不能。注册送的150,000字符可用于免费的V2.0极速档，支持中英文声音克隆，不带情绪控制；情绪控制在V2.5高保真档的「语气控制模式」，需要专业会员。文案、停顿、参考音频这三步免费档就能做。\u003C/dd>\u003C/dl>\n\u003Chr>\u003Cdiv class=\"tail\">\u003Cp>数据来源：\u003Ca href=\"https://github.com/index-tts/index-tts\" target=\"_blank\" rel=\"noopener\">IndexTTS官方GitHub仓库README（index-tts/index-tts，commit d9e41aa）\u003C/a>。\u003C/p>\u003Cp>相关文章：《\u003Ca href=\"/blog/indextts2-guanwang/\">IndexTTS2官网入口\u003C/a>》｜《\u003Ca href=\"/blog/indextts2-yuyan-fangyan/\">IndexTTS2支持哪些语言\u003C/a>》\u003C/p>\u003C/div>\n",1794308968547]