Quill
从不显得无聊的解说音
留存是写作问题，但声音能帮上忙
YouTube 表现的一切都由留存决定，而一条解说视频的留存在头十五秒就被决定了一次，之后在每一个观众注意力开始飘的时刻被重新决定。声音在这里起的作用很具体：换一个声音就是一次注意力重置，而且它是免费的。
这也是为什么会演绎引语、用第二个声音说旁支、或者切到一个角色讲三十秒的频道，留人普遍比只有单一连续解说的频道好。不是那个解说不行，而是十二分钟不间断的同一个声音，要求实在有点高。
为加速播放而写
相当一部分观众用 1.25 倍甚至更快看，还有人用 2 倍。这改变了「好写作」的定义。长句变得没法解析。嵌套从句直接消失。数字和人名需要周围留更多空间，而不是更少。
实用测试是拿你真实的脚本、用 1.5 倍速试听你的解说音。能扛住那个的，在 1 倍速一定舒服。反过来做这个测试，对你大多数听众实际听到的东西毫无参考价值。
字幕不是可选项
很大一部分观看发生在静音或吵闹的环境里，而字幕对留存和触达都有可测量的提升。自动字幕比没有好，但在人名和专业术语上一贯出错——而那恰好就是你这条视频在讲的词。
因为这里的字幕文件是从你的脚本生成的，而不是从音频转写来的，它天生就是对的。请上传它，而不要依赖自动字幕，你就在最严重的字幕错误出现之前把它们消掉了。
数量陷阱
有了便宜的配音流程，最大的诱惑是多做视频，而这也是最快让一个频道不再被推荐的路，因为平台明确地针对批量生产、缺乏差异的内容做了调整。
省下来的时间更好的用法是给每条视频多写一点：加一个第二个声音、加一段演绎、写一个真正像样的冷开场。这三样都是单音色工具给不了你的，而且在观众看来，这三样都读作用心。
为「第二屏」写脚本
很大一部分长视频的观看其实不是在「看」——视频在放，人在干活、做饭或者通勤。这部分观众全部靠听、什么也没看见，这让你的视频其实是一个附带画面的音频产品。
有两个推论。永远不要说「如你所见」，因为相当一部分观众看不见。以及，把信息放在解说里而不是放在屏幕文字里，屏幕文字只用来强化、不用来承载。把这件事做好的频道留存往往异常高，原因就是他们从不丢掉那个抬头走开的听众。
一致性就是频道身份
观众认出一个频道，靠声音比靠封面更快。这让解说音成了一个品牌决定，而不是一条视频一条视频去定的事，也意味着你能做的最糟的事，就是因为某个新音色听起来更好，就悄悄在两条视频之间换掉它。
挑一个，存成角色卡，然后一直用。如果你确实需要换，请在视频里说一声——观众能接受一次被解释过的更换，却会被一次没解释的更换弄得别扭。
你需要的音色这里都有
几步就能把剧本变成音频
- 为耳朵写，不为纸面写
短句，一句一个意思，不要从句。观众没法把一句话重读一遍，所以任何需要回看的东西都丢掉了。
- 挑一个 1.5 倍速也听得下去的解说
相当大一部分观众是加速看的。请在加速状态下试听你的解说音，因为很多在 1 倍速很悦耳的声音在 1.5 倍速就听不清了。
- 给角色各自的音色
如果你的脚本引用了别人的话、演绎了一段对话，或者要演个小剧场，就把那些部分好好配上。这是最便宜的一次制作水准升级。
- 音频和 SRT 一起导出
字幕能提高留存，也是无障碍的必需项。和音频一起生成意味着它天然就是对齐的。
- 对着你的音乐床检查混音
单独听完美的声音，垫上音乐床可能就消失了。渲染出来放进剪辑软件，用你真正发布的音乐床音量听一遍。
常见问题
YouTube 允许 AI 配音吗？
允许。平台政策针对的是低投入的批量内容，以及未声明的真人合成媒体，而不是合成解说本身。用生成音色做原创脚本内容的频道并不违规；批量生成上百条几乎一样的视频的频道违规，跟用什么声音无关。
会影响变现吗？
变现政策看的是原创性和价值，不看音频是怎么做出来的。风险在于批量生产套路化内容，那才是审核在找的东西。一个原创脚本用合成音念，不属于问题情形。
必须声明吗？
YouTube 要求对真实人物和事件的逼真合成呈现做声明。为你自己的脚本生成一个解说音不属于这一类，但在简介里写一句不花钱，还能建立信任。
配音垫上音乐为什么听着很平？
几乎总是混音问题，不是声音问题。把音乐在对白下压低几个分贝，再在中频挖出一点空间。这两件在任何现代剪辑软件里都是一键的事。
整个频道能用同一个音色吗？
可以，而且应该——频道识别度很大程度上就是声音识别度。请把这个解说音存成角色卡，这样每条视频用的参数都完全一致。
外语版本怎么办？
今天完整的音色库是英语，接下来是日语、西班牙语、巴西葡萄牙语和韩语。在那之前，字幕导出是触达非英语观众的现实路径。