Voice Kit：使用你自己的声音或预设声音生成配音

Voice Kit 通过语音服务朗读。当该服务关闭时，页面顶部会显示黄色提示，每次朗读都会改用示例声音：柔和的音调，按音节组节奏变化，并在逗号、句号和 [pause] 标记处有真实停顿。它可以让你体验每个步骤，检查文稿的时间和长度，但它不是真人语音。所有出现的地方都会标注“示例声音”，预设声音名为 Warm (sample) 和 Clear (sample)，并且 MP3 下载已关闭（示例将以 WAV 下载）。

开始配音（左侧）：选择语言，然后用四个标签选择文字来源。输入或粘贴：文本框用于整篇文稿（每段成为一行；麦克风按钮可将你说的话转为文字），然后点击“用此文稿开始”，或点击“空白开始”，AI 会打开空白文稿并请你让 AI 写一份。文件：Word (.docx)、PDF、文本、Markdown 或 HTML，最大 8 MB。网页：输入地址并点击“导入”，将导入网页上可读的文字。Writing Pack：列出你的 Writing Pack 草稿；点击一个即可导入其文字。过长的来源最多导入 6,000 个字符，并会有提示说明。

你的配音列出你制作过的每个文稿，显示字数、大致时长、语言和日期；点击即可打开（每个都有自己的地址，你可以收藏或把链接分享给自己）。当文稿超过四个时会出现搜索框。

声音（右侧）显示你的声音和预设声音。打开文稿后，可选择由谁朗读。

顶部的名称是配音的名称：点击即可重命名。旁边的“已保存 / 保存中…”表示你停止输入后，每次修改都会自动保存。

语言设置文稿的书写和朗读语言（英语、西班牙语、法语、德语、葡萄牙语、意大利语、荷兰语、波兰语、日语、中文、韩语、印地语）。时长是目标：15、30、60 或 90 秒（再次点击可清除），或在“其他”框中输入 5 到 600 秒之间的任意时长。右侧显示估算值（≈ 秒数和字数，按每分钟约 150 字加停顿计算），选定目标后会显示“符合目标”或超出、不足的秒数。

你的文稿会将整篇内容显示在一个框中，即朗读的样子，段落之间留有空行。你可以直接输入、粘贴，或使用麦克风按钮。每个段落是一个部分：朗读后修改某段时，只会重新朗读该部分，框下方的提示会说明有几个部分已更改。

分段编辑（位于文稿上方的切换开关）会单独显示每个段落。在其文字下方有：情绪（自然、开心、兴奋、自信、温暖、平静、严肃、好奇、惊讶、悲伤）、语速（较慢、正常、较快）和声音（主声音，或你的任意声音或预设声音，因此一个文稿可以有两个或更多说话人，如主持人和嘉宾），以及“修正发音”。然后是其时长；朗读完成后会出现播放按钮、“重新朗读此部分”、“3 个版本”和垃圾桶图标。更改某部分的情绪、语速或声音会将其标记为需要重新朗读。Cartesia 引擎将情绪视为真实情感，ElevenLabs 则将其视为或多或少有表现力的朗读风格。

“3 个版本”会以稍有不同的朗读方式再朗读该部分两次；三个版本分别显示为版本 1、版本 2、版本 3，每个都有播放按钮，点击“保留”即可让该版本用于整篇朗读（已保留会显示标记）。“3 个新版本”会替换版本 2 和 3。“整篇文稿”切换回整体视图。“从…添加文字”（相同的四个来源）会在末尾添加文字；“删除”（会先询问）会移除该配音及其朗读内容。

修正字词的读法：在“整篇文稿”中选中一个词或名字，然后点击“修正读法”（或在“分段编辑”中点击某部分的“修正字词”并输入该词）。面板会显示该词，并提供“立即试听”（用“朗读者”中选择的声音朗读其所在句子）。在“哪里不对？”下，选择任一项：读错了、重音读错音节、逐字母拼读、太快或含糊、听起来像另一个词，也可以用自己的话描述（输入或使用麦克风），然后点击“查找修正”。AI 会提供三到四个声音能正确读出的拼写（例如 in-FIN-ih-tee，或将 Nguyen 写成 Win），并说明原因；点击任一项的“试听”可在句子中听到效果，再决定是否保留。“全局使用”会将其保存到你的发音列表，并重新朗读所有使用该词的部分；“仅在此文稿中”只将新拼写写入本文稿。你也可以在“或输入应有的读音”下输入自己的拼写并试听。“查找其他修正”会重新查找。

发音列表（位于脚本下方）：您在账户中保存的每个词以及它的读法，适用于您所有的朗读和每段配音。每个词旁边都有试听和垃圾桶按钮；点击添加可以手动输入一个词及其读法。书面脚本本身不会改变：朗读时会应用此列表。

要设置停顿，请写 [pause] 或 [pause 1.5s]。如果某个名字或词读错了，请按发音拼写出来，然后只重新朗读那一行。

AI 写作助手（紫色框）是一个用于写作和修改的文本框。新建脚本时，请输入或说出您希望包含的内容（公司名称、优惠、电话号码或网站，以及任何必须出现的信息），也可以留空；然后选择用途（社交视频或短视频、广告或广播插播、电话问候或等待语、产品或服务介绍、活动、促销或公告，或其他），再选择语气（友好、专业、充满活力、平静、幽默），最后点击生成。它会按您设置的时长（未设置则为 30 秒）生成内容；勾选使用我的品牌语气后，会采用您的品牌语气，并以读起来自然的段落呈现。

脚本生成后，同一个框也可以接受您用文字或语音提出的任何修改，例如"开头再有力一点""加上我们周六的营业时间""翻译成西班牙语"：点击进行修改（或按 ⌘/Ctrl+Enter）。优化文案会让口语朗读更流畅、更精炼，同时保留所有事实、名称、数字和优惠。重新生成会根据您输入的内容，结合所选的用途、语气和时长写一个全新的版本。下方的按钮可一键修改，但并不局限于此：调整到合适时长、更友好一点、更易朗读、加强结尾。您没有要求修改的句子和事实会保持原样；AI 绝不会编造价格或电话号码，而是写入占位符，例如 [your phone number]，并在"尚未完成"下列出。

写作套件：点击打开写作套件（在新标签页中）可使用其中的写作工具撰写更长的内容，然后点击将草稿带回此处，将其添加到此脚本中。

每次修改后，提示会列出"已完成"的内容，并首先列出"尚未完成"的内容及原因；下方脚本会短暂高亮，方便您看到修改的位置。撤销会将脚本恢复到修改前的状态。

制作您自己的声音会打开一个大面板。顶部的如何录制像您的声音（默认展开）列出了应该做的事（安静柔和的房间；麦克风距离约一掌宽；用您平时说广告的声音；穿插问题、数字和名字；总共 1 到 2 分钟，全部在同一地点）以及不应做的事（有音乐、电视、风扇或其他人声；有回声的房间或汽车里；配有音乐的广告或视频作为背景；蓝牙耳机或免提电话；耳语、大喊、说话太快或平淡的朗读语调；长时间沉默和咳嗽）。点击关闭即可关闭面板。

制作您自己的声音包含三个步骤。1，您的名字：按您希望的读法填写。2，朗读此句：点击录制此句，朗读屏幕上的句子（"我，{your name}，同意 aiKit 使用我的录音制作 AI 声音，并且我只会将其用于我自己的工作。"），然后点击停止。录制时会显示红点、时间和音量计。3，您说话 1 到 2 分钟：点击录制（或上传录音：MP3、M4A、WAV、WebM 或 OGG），最多可录制六段，次数不限；进度条会向两分钟推进，至少需要 30 秒，一分钟或更长效果最佳。按钮上方有三个标签页，提供可朗读的内容：您的业务；一个故事；数字和名字（三者都读一读约两分钟，或仅谈谈您的工作即可）。每段录音都会列出时长、可在本次访问中回听的播放器、在浏览器中测得的质量检查结果（录音清晰，或提示如：声音太小：请靠近一些、某些地方声音过大、背景噪音、静音过多），以及垃圾桶按钮。同意录音也有相同的播放器和质量检查。

制作我的声音会进行检查，然后生成声音。同意语句会被转换为文字，并与该句子进行比对（名字不计入，因为名字的拼写方式多种多样）；其中至少 70% 的词必须被识别。基础同声检查会比较同意录音与您的样本之间的音高和音色，二者必须匹配，因此该句必须由与样本相同的人朗读。这只是基础检查，并非指纹识别。结果会以对勾或叉号列出每项检查；如果有一项未通过，声音将不会生成，此时点击修复录音会带您返回。

您的录音和声音仅对您的账户可见。声音旁边的垃圾桶按钮会先询问确认，然后将其从语音服务及此处删除。已使用该声音朗读的配音仍归您所有。每个账户最多可有五个声音。仅限您本人的声音：不允许使用他人的录音。aiKit 公共声音：aiKit 管理员可以通过"设为公共声音"，将其自有的已完成声音（通过同一同意流程制作）提供给所有账户；该声音随后会显示在"库存声音"下方的首位，标注为 aiKit 公共声音，并为没有自有声音的用户朗读。只有在真实的语音引擎开启时才会显示。点击"公共声音 ✓"（停止）或删除该声音，即会停止提供。制作自己的声音目前仅对管理员开放，待最终法律审查完成；库存声音现已对所有人开放。

语音配方（脚本上方的栏）可以将一个声音、一种情绪、一种语速和一段背景音乐保存为一个名称，例如 Northwind 广告或 Bakery 电话线路。点击某个配方即可使用：系统会选定该声音，所有未设置自己情绪或语速的部分都会采用配方中的设置，其背景音乐也会在播放器下方设置好。点击保存为配方会打开一个简短表单：名称、情绪和语速（默认为您大多数部分所用的设置），朗读者来自"谁来朗读"，背景音乐则设置在播放器下方；如果使用已有的名称保存，将替换该配方。点击垃圾桶即可删除一个配方。最多可保存 50 个配方。

配方可在整个 aiKit 中通用：当其他工具用语音朗读时（例如 Video Kit 的旁白），也可以使用配方，并且您的发音列表在那里同样适用，这样各处的人名读法都保持一致。

“谁来朗读”会先列出您已准备好的声音，然后是标准声音（起初显示六个；点击“所有标准声音”可查看其余的）。选中的声音带有彩色边框，并会保留在页面地址中。每个声音都有一个“试听”按钮，可播放一段简短样本（生成一次后会保存，下次可立即播放）；按“停止”或点击其他声音的“试听”即可停止播放。

收听：大按钮会说明它将执行的操作：用 <voice> 朗读、朗读 N 行已更改的内容，或全部重新朗读。只有新增或更改过的行会被重新朗读，因此修改一个字只需重读一行。处理过程中，面板会显示正在朗读的行数；较长的脚本会分轮朗读，计数会同步更新。如果有某些行无法朗读，“尚未完成”会显示数量及原因，再次按下按钮即可只重读这些行。

所有行朗读完成后，播放器会显示整段配音的波形图：按圆形按钮播放或暂停，点击波形（或在波形上使用方向键）即可跳转，正在朗读的行会显示在下方。各行之间以短暂的停顿相连。

播放器下方的文字会随朗读同步高亮。点击某个词即可跳转到该处。选中一到三个词后按“修正发音”（会在脚本中打开修正面板），或选中任意词语后按“指导这些词”，告诉声音该如何读。词语的时间按长度在各部分之间平均分配，因此只是接近，并非精确。

朗读指导（位于播放器下方）：用您自己的话描述希望的语气，可以打字或语音输入，例如“‘这个周末’要更有活力”“价格处放慢”或“听起来要带着微笑”，然后按“指导它”，也可以按其中一个快捷按钮（更有活力、听起来带着微笑、数字和电话号码放慢、更平静更可信、更有冲击力的开场、行动号召前多停顿）。AI 会调整情绪、语速，并在有帮助时只对与指导相关的部分稍作改写几个词（声音无法对单个词施加重音标记，因此会使用声音能够识别的方式：词前的短暂停顿、感叹语气，或缩短句子），保存脚本，并只重读这些部分。“已完成”会列出每项更改，“尚未完成”则说明哪些效果声音无法实现及原因。“撤销”会恢复这些部分并重新朗读。

使用 AI 教练检查：它会收听朗读内容（语音转文字），并显示每分钟的时间和词数，然后是“语速”（每分钟 150 到 170 个词适合大多数广告）、“清晰度”、“开场”（前一句能否在 3 秒内吸引注意力）以及“人名和词语”（收听检查未识别出的较长词，通常是读错的人名）。每条提示都附有修正方法：针对某个词使用“修正发音”，或使用“修正”，它会在“朗读指导”中添加一条指导供您按下。“重新检查”会在修改后再次收听。样本声音不是真实语音，因此词语检查只适用于真实声音。

声音下方的背景音乐（所有部分朗读完成后位于播放器下方）：选择一首 aiKit 原创音乐，设置“音乐”（音量大小），按“带音乐试听”，然后按“带音乐下载（WAV）”获取成品混音。音乐会在人声开始前稍早响起，人声说话时自动降低音量，并在结尾淡出。字幕：根据朗读时间生成的 .srt 和 .vtt 文件，每次几个词，适用于短视频、YouTube 和视频播放器。

下载及更多：MP3（真实声音）、WAV（任何朗读内容）、保存到图形库（位于 Voice Kit 文件夹的“配音”分类中），以及“在 Motion Maker 中使用”，它会将其保存到您的资料库，并打开 Motion Maker，将声音放在“音乐”选项卡中，背景音乐会自动降低音量以衬托人声。其下方可用竖起或倒下的拇指为朗读效果评分；点击倒拇指会询问出了什么问题，并将反馈发送给 aiKit 团队。面板顶部的“AI 声音 / 样本声音”标签会告诉您当前听到的是哪一种。

在朗读新内容之前，快速的 AI 检查会审查其中是否存在冒充他人的情况。介绍您自己和您的企业是可以的（“您好，我是 Sam，Sam's Bikes 的老板”）：不广为人知的个人或企业会被视为您本人。以下内容不会被朗读：知名人士以第一人称发言或代言，知名公司、银行或政府机构以自身名义发言（“这里是您的银行来电”），或冒充上述任一方索要付款或个人信息的内容。面板会说明原因。提及或评论真实的人和公司、为您自己的企业做广告以及虚构角色都是可以的。每行内容只检查一次；修改后会重新检查。

Voice Kit 按语音服务的实际成本从您账户的代币中扣除：朗读按字符计费（30 秒的朗读约需 3 到 9 美分，具体取决于语音服务），此外还有每次 AI 脚本修改和安全检查的少量费用。仅朗读更改的行可以控制费用。如果某个请求会超出您套餐的剩余额度，则不会启动，并会显示相应提示。管理员可以在播放器下方看到每次朗读的费用（以美分计）。

管理员会在播放器下方看到“并排引擎测试”。当两个语音服务都已开启时，“在两者上朗读”会使用所选声音在每个服务上朗读当前脚本，并为每个服务显示一个播放器和费用；“使用此引擎”会让之后的每次配音都使用该引擎（您自己的声音在创建时会在两个服务上都生成）。如果只开启了一个或都未开启，则会提示哪些已开启。

其他 aiKit 工具以同样的方式向 Voice Kit 请求旁白：输入文字，返回的配音会包含每行的开始和结束时间，使字幕能够跟随声音。旁白使用您最新的声音（或第一个标准声音）朗读，从您的代币中扣除，并且只要真实声音被关闭，就会标记为样本声音。