用 AI 做有声书：从文本到成品

用 AI 做有声书，多数人把注意力放在音色和设备上，真正决定成品能不能听下去的是文本处理：书面语直接丢给朗读工具，长句跟不上、多音字读错、停顿全乱。从文本到成品一共五步，前面几步做得越细，后面返工越少。

先做可听性处理：书面语和口语是两种文体

眼睛可以回看，耳朵不能。书面语里常见的长定语、嵌套从句，读出来三秒后就不知道主语在哪。把文本交给 AI，要求拆长句、改生僻表述、删掉只在视觉上成立的写法（比如「如下图所示」），但锁一条：不改原意。改完自己通读一遍，凡是需要倒回去重听的句子，就还没改到位。

举个例子，公文体式的长句「经项目组反复确认的、以邮件形式提出的修改意见」，读出来像绕口令；改成「修改意见用邮件提，项目组确认后生效」，同样的意思，听一遍就懂。判断标准就一条：耳朵一遍过，不用倒带重听。

停顿、多音字、专有名词：标注做在录制前

同一个句子断句不同，意思可能反过来。在文本层面标出停顿位置，比指望朗读引擎自己判断可靠得多。多音字和人名、地名、品牌名，逐个标注读音——这类错误最影响听感，也最容易被听众抓出来。让 AI 先列一份疑似易错字清单再人工确认，比从头到尾自己找快得多。

数字和单位也常被读错：「3.5 折」「第 2 季度」「50 克」这类，机器的读法未必和你预期一致，逐个标注意味着由你来决定听众听到什么。

授权确认：动手前先回答文本是谁的

这一步没有技术含量，却是整个流程的前置条件。自己的作品，确认目标平台的条款允许做成音频上架；别人的作品，拿到权利方的明确授权再开工，授权范围——是否可商用、是否可改编——写成文字留档。进入公有领域的作品，也要看具体平台的上架规则。没有授权的文本不录，这一条没有例外。本文不展开具体条文，各平台规则以官方说明为准。

分段录制：为返工留好退路

整章一口气生成，中间一个字读错，重来的成本是一整章。按段落或场景切分，每段单独生成、单独试听，出错只重做那一小段。段落编号和文本对齐，后期修改时定位也快。单段以 1 到 3 分钟为宜，太碎会让拼接处音调不连贯。

批量生成时把语速、音量、停顿时长这几个参数固定下来写进备注，隔几天续录才不会听起来像换了个人。参数跟着感觉走，是成品前后风格不一致的主要原因。

从文本到成品的流程对照

AI 做不了的部分：演播感和情感层次

朗读引擎能保证「读对」，保证不了「读活」。讽刺、哽咽、欲言又止这些靠语境才能成立的东西，目前的合成音色只能逼近，做不到稳定复现。作品情感浓度越高的段落，越值得留给人声演播，或者接受 AI 版本「平」的代价。定位要清楚：AI 有声书适合知识类、工具类文本，文学性强的内容先试听再决定。

成品的标题和简介决定点击率，写法可以参考商品标题的关键词布局；封面与简介的卖点提炼，则和主图卖点的写法相通。连续做完几本书之后，值得做一次像年度复盘那样的整理：哪类文本的完听率高，下一个选书方向就有了。

有声书制作速查

• 文本先过可听性：拆长句、改口语、删视觉依赖
• 停顿和多音字在文本层标注，不靠引擎猜
• 授权确认在前，没有授权的文本不录
• 按 1 到 3 分钟分段生成，出错只重做单段

有声书的三个追问

问：男声女声怎么选？答：先看文本类型——工具类内容的听感差异小，跟着平台同类热门款选即可；文学类拿同一段样文各生成 1 分钟试听，用耳朵投票。

问：生成的音频能直接上架吗？答：先过三关：平台允许 AI 音频、授权链完整、整书试听无错读。第三关最容易被跳过，也是差评的主要来源。

问：背景音乐要不要加？答：默认不加。人声合成对音量动态的控制不如真人，叠加音乐后容易盖过弱音部分，除非你愿意逐段调音量。