
Quill
从不显得无聊的 YouTube 讲解音
把整份稿子粘进来。以角色名开头的行交给另一个角色,其余的由旁白念。你拿到的是一条已经把停顿排好的 MP3,于是配音的老流程——每个部分分别渲染,再到剪辑软件里一条条对齐——就不存在了。
一句话可以被告知该怎么说。写在行首括号里的提示——(亲切一点)、(像在念警示标语)——会被演出来,不会被念出来。Pro 还能逐句给情绪,Plus 和 Pro 能逐句给语速。一条在该换挡的地方换了挡的配音,听起来像录的,不像生成的。
所有套餐,包括 Free,都能用全部 40 个库角色;每个角色都会说中文、英语、日语、韩语、西班牙语、葡萄牙语、法语、德语和俄语。角色是人设,不是一张口音清单:你挑的是想要的那个讲述者,而不是一串语种代码。中文一律是普通话,地区口音选不了。
Free 给的是一次性额度,中文大约够 16 分钟成片;生成和试听不扣它,只有导出才扣,每天还能合成 30 行。注册不收信用卡,首页那个演示连账号都不用登。Free 仅供个人非商业使用。
纯文本,粘进来。稿子里不止一个声音的话,在那几行开头写上角色名加冒号;没写名字的行由旁白念。没有文件上传,所以先从你的文档里把文字复制出来。
挑那个扛下大部分稿子的角色,然后用你自己的第一句话试听,别用示例文本。Quill 和 Hale 是稳妥的解说选择;要像新闻那样清楚就用 Noor;Duke 只在你真想要预告片腔的时候用。
标点就是你的节奏:句号是一次停顿,换行停得更久。一句话里装了两个意思,会被念成两者的平均值,拆成两句就好了。
用 Plus 或 Pro 的话,把旁白调得比你觉得合适的再慢一档。几乎每个人的第一条配音,对一个同时还在看画面的人来说都太快了。
先一口气从头听到尾,别边听边改。只导演视频转折的那几句——揭晓的那句、行动号召的那句——其余保持中性。
所有套餐都能导出混好的 MP3;需要把某几句单独挪位置,就导逐句 ZIP,里面有每句一个 MP3 和一张带时长的对照表。字幕是 SRT,Plus 和 Pro 能导,不额外扣额度。
按顺序说。第一是语速:配音铺在画面底下,一个同时还在看屏幕的人,需要词句来得比聊天时稍慢一点。大多数生成的配音先栽在这儿,不是音色不对,而是又快又匀——匀本身就会被听成不上心。第二是清楚:产品名、数字和缩写恰恰是人们真正要听的部分,也恰恰是合成音最容易绊倒的地方。第三是分寸:一条知识解说、一支广告、一节合规课程,要的是三种不同的讲述者,只有一把「本店音色」的工具给不了你。
CastDub 是从稿子这一端解决这三件事的,不是从设置面板那一端。语速在 Plus 和 Pro 上逐句可调,而在所有套餐上都由标点决定——句号是一次真的停顿,省略号更长,换行是一个空隙。清楚靠的是把难词单独试听,然后回到文本里改写。分寸是一次选角:40 个写好人设的角色,从新闻播报到哄睡旁白再到赛场解说,其中任何一个都能当旁白。
多数配音工具不碰的那一块,是第二个声音。知识解说里总会偷偷混进对话——一个客户问出这条视频要回答的问题,一个同事提出反对,一段用别人口吻念的用户评价——在单音色工具里,这些行要么被旁白平着念掉,要么单独生成再手工粘上去。在这里,它们就是前面写了名字的几行,交给第二个角色,混进同一个文件,前后的空隙也已经排好。
知识解说要的是一个对题目感兴趣、但不表演兴趣的讲述者。Quill 就是照这个写的,超过三分钟的内容用更稳的 Hale。句子写短;产品名第一次出现时单独占一行,方便你先试听它;把「问题来了」「这对你意味着什么」这类转折写成独立的行——那正是声音该换挡的地方。
广告和预告是唯一适合用力念的场合。Duke 就是为三十秒的片子存在的,体育那一路的版本是 Axel。诀窍在对比:两句用力,其余平着来。整支广告都用预告片的强度,第二句就让人累了;而如果前一句是安静的,行动号召砸下去反而更重。
企业培训和合规课程是配音里体量最大的一类,也是对语速最敏感的一类。学员会回放,所以稍慢一点是优点而不是缺点。Noor 那种新闻式的清楚适合定义和流程;想把温度降下来的段落交给 Wren 或 Halcyon。如果课程里有情景演练——主管和员工、客户和客服——就把它写成带名字的对话,这段演练会由两个人演出来,而不是由一个人转述。
旁白是承载故事而不是承载信息的那种配音:工具是同一套,但选角偏向有声书和哄睡的那几把嗓子,句子也偏长。译制配音又是另一回事:它是把视频里已有的说话声换成另一种语言的说话声,还要对上画面、最好对上口型。CastDub 不接受视频作为输入,也不做这件事。它做的是按你提供的稿子生成那条替换用的声轨——如果你自己把稿子译好,并且准备好事后在剪辑里挪位置,简单译制里的大部分活儿其实就是这个。
如果你真正要的是拿一段现成视频、让它自动说另一种语言,专门做译制的工具更合适。如果你要的是一条干净的、导过的声轨,从稿子出发,九种语言里任选,稿子需要时还能有第二个声音——那就是这一页讲的东西。
这里没有视频导入,也没有时间线;对时间的活儿发生在你剪片子的那个软件里。两种导出让这件事变简单。混好的 MP3 是快路子:丢到时间线上,如果整条稍微长了一点,去剪段落之间的停顿,而不是把声音整体加速。逐句 ZIP 是准路子:每句一个 MP3,加一张对照表,列出每句的角色、文本和毫秒数的时长,于是每一句都能放到画面需要它的那个位置。
两个习惯很省时间。稿子按画面出现的顺序写,一行一个视觉节拍,这样行列表本身就和你的分镜对上了。还有,动笔前先定长度——一条六十秒的视频配一百八十字的稿子,谁来念都快,而且一条本来就太长的稿子,再怎么导演也救不回来。
另外要有预期:合成的语流会比真人录音稍快也更匀,而且不会自动给画面上的动作留空档,除非你在稿子里写出来。想给画面留一拍,最简单的办法是单写一行省略号;其次是在两句之间空一行。
Free
US$0 / 月
先听听自己的剧本配上音色是什么样,一分钱不花。
Basic
US$5 / 月
打开整个音色库,开始把成品拿走。
Plus
US$19 / 月
自己把节奏捏住:让一句自白慢下来,让一场争吵赶起来。
Pro
US$29 / 月
做有声剧就是这一档:每句话有自己的情绪,每个角色有自己的音轨。
真的,限制是写明白的,不是用到一半才发现的。Free 给的是一次性额度,中文大约够 16 分钟成片(比英语多,因为中文每分钟耗的字数少),每天最多生成 30 行,授权范围是个人非商业使用。付费档的额度按月重置,可以商用。注册时不收信用卡。
付费档可以,Basic、Plus 和 Pro 都含商用授权。Free 是个人非商业授权,所以要恰饭的账号得上付费档。这是授权条款,不是技术限制,音频本身完全一样。
所有套餐都能拿一条混好的 MP3,也都能拿逐句 ZIP:每句一个 MP3,加一张带时长的对照表。按角色分轨是 Pro,SRT 字幕是 Plus 和 Pro。没有 WAV 导出。
你挑的是角色,不是口音。英语角色里有英式、美式和澳式的人设;英语之外一律是该语言的通用说法——中文是普通话,西语是拉美通用,葡语是巴西葡语——地区口音选不了。
在文本里改。这里没有发音词典,所以把那个词按它该念的样子重写,复合词加个分隔,读法要紧的数字直接写成汉字。整篇渲染之前,先把这个名字单独试听一遍。
不会——重新生成是新的一遍:同一个角色,同一把嗓子,语气略有不同。已经渲染好的那一句在你动它之前不会变,所以你认可过的那条配音不会自己漂走。想换一种读法时再点重生成,想要原样不变时别点。