配音与授权：TTS 与自己录两种方案

AI 短剧配音有两条路：用 edge-tts 把文字转成语音，或用手机自己录。这一页带你走完两条路，并核对发布前的授权边界，产出可直接进剪辑的音频文件。

学完你能做什么

• 用 edge-tts 把一段对白文本转成 MP3 音频，同时得到 SRT 字幕文件
• 从 --list-voices 输出里挑一个合适的中文音色，并调节语速、音量、音调
• 用手机分句录出干净的真人配音
• 说清楚 TTS 声音的授权边界，知道发布前要核验什么

你现在的困境

• 短剧画面已经生成好了，但没有声音，成片不像「剧」。
• 不敢开口自己录，或者没有安静的录音环境。
• 听说过 AI 配音，但担心生成的声音能不能商用，怕发布后被下架。

什么时候用这一招

当你需要：给已剪好的短剧画面配上人声对白，并同步拿到字幕文件。

而且不想：花钱请配音演员，也不想学复杂的音频软件。

🎒 开始前的准备

• 学完对白精简：配音前先做减法，拿到一份精简后的对白文本
• 学完成片：配音、字幕、剪辑、导出，知道本页在整个成片流程中的位置
• 方案 A：一台装了 Python 的电脑，能联网（edge-tts 调用微软 Edge 在线 TTS 服务）
• 方案 B：一部手机，找一个安静、混响小的房间

核心思路

两种方案产出同一样东西：一段与对白文本对应的音频文件，供下一课剪辑使用。

	方案 A：edge-tts	方案 B：手机自己录
门槛	需要电脑和命令行	一部手机即可
质感	标准的 TTS 机器感	真人质感，但依赖环境和设备
字幕	命令同时产出 SRT	需要下一课单独做
适合	对白多、迭代快	台词少、要情绪

练习阶段两种都行；正式发布前，方案 A 要多一步授权核验（见第 3 步）。

跟我做

第 1 步：用 edge-tts 生成配音与字幕（方案 A）

先安装工具，再用一条命令同时产出音频和字幕。

安装 edge-tts：

pip install edge-tts

你应该看到：命令正常结束，没有报错。（也可以用 pipx 安装。）

然后列出全部可用音色，找一个中文音色：

edge-tts --list-voices

你应该看到：一张包含名称、性别、语言等列的音色清单。过滤出中文音色：

edge-tts --list-voices | grep zh-

音色名以这条命令的实际输出为准，不要照抄网上教程里的旧名字——微软会更新音色列表。挑一个性别、风格与角色匹配的，复制它的名称。

生成配音：

edge-tts --text "你终于回来了。" --voice <你选中的音色名> --write-media out.mp3 --write-subtitles out.srt

把 <你选中的音色名> 换成上一步复制的名称。你应该看到：当前目录出现 out.mp3（音频）和 out.srt（字幕）两个文件。SRT 字幕直接留给下一课用。

不满意语速或音调？加参数重跑：

edge-tts --text "你终于回来了。" --voice <你选中的音色名> --rate=-10% --pitch=-5Hz --write-media out.mp3 --write-subtitles out.srt

注意负值必须连写（--rate=-10%，不是 --rate -10%）。音量用 --volume，写法相同。每次改完重新生成，听一遍再定稿。

• out.mp3 和 out.srt 都已生成，试听确认音色和语速合适

💡 即时试听

想边生成边听，可以用 edge-playback 命令即时播放，但它依赖 mpv 播放器（Windows 除外）。没有 mpv 也没关系，直接播放生成的 mp3 文件即可。

第 2 步：手机自己录（方案 B）

没有电脑或想要真人质感时，用手机分句录音。分句录的好处是：一句一条，说错只重录那一句，剪辑时也好对齐。

操作：

1. 打开手机自带的录音App，选最低噪音设置，关掉空调风扇。
2. 嘴离手机约一拳远，避免喷麦。
3. 按对白文本逐句录，每句之间停两秒，方便后期剪切。
4. 说错的句子整句重录，不要在一条录音里反复重来。

你应该看到：录音App 里出现一组按句编号的音频文件（或一条长录音，后期再剪开）。

• 每句对白都有对应录音，回放检查没有明显噪音和喷麦

第 3 步：核对授权边界

发布前要确认声音来源的授权。练习阶段可以放宽，正式发布不行。

先记住一个区分：

• 模型许可证 ≠ 声音授权。模型开源不代表它生成的声音可以随意商用。
• edge-tts 调用的是微软 Edge 的在线 TTS 服务，其商用条款未在 edge-tts 项目文档中说明。
• 自己的声音属于你自己，方案 B 没有第三方授权问题（但配乐、音效的授权仍要单独核对）。

所以：

• 只作练习、不公开发布：两个方案都可以放心用。

• 正式发布（尤其商用）：方案 B 最稳；方案 A 需在发布前自行核验微软服务条款，本教程不做法律保证。

• 已确认发布场景（练习/公开/商用），并据此选定了配音方案

检查点 ✅

• 有一段与对白文本对应的音频文件（mp3 或手机录音）
• 方案 A 用户：同时拿到了 SRT 字幕文件
• 音色名来自 --list-voices 的实际输出，而不是照抄教程
• 已明确发布场景，并核对过对应的声音授权边界

踩坑提醒

❌ 音色名写死照抄

现象：--voice 报错说音色不存在。

原因：网上教程里的音色名可能已过期，微软会更新音色列表。

正确做法：每次都先跑 edge-tts --list-voices | grep zh-，以实际输出为准。

❌ 负值参数分开写

现象：--rate -10% 生成结果没变化，或解析出错。

原因：edge-tts 要求负值用 = 连写。

正确做法：写成 --rate=-10%、--volume=-50%、--pitch=-50Hz。

❌ 直接拿 TTS 配音去商用发布

现象：视频发布后被平台下架或收到投诉。

原因：edge-tts 的商用条款未在项目文档中说明，默认当作「可商用」没有依据。

正确做法：正式发布前自行核验微软服务条款，或改用自己录音。

进阶技巧

想用语音驱动角色口型，可以了解 S2V-14B（语音驱动视频模型）：输入 --audio 语音和 --image 参考图即可生成对口型的视频，还可用 --num_clip 控制片段数做快速预览。它对显存要求很高（单卡命令标注 80GB），属于进阶可选路线，本课程不要求掌握。

本课小结

✅ 你完成了 AI 短剧配音的两种方案：

• 用 edge-tts 一条命令同时拿到 MP3 音频和 SRT 字幕
• 音色、语速、音调都按 --list-voices 实际输出和负值连写规则调节
• 手机分句录音作为真人质感的备选
• 分清了模型许可证与声音授权，正式发布前自行核验条款

参数	推荐用法	说明
--text	精简后的对白文本	来自对白精简一课
--voice	--list-voices 输出中的名称	不要写死，以实际输出为准
--write-media	out.mp3	音频输出
--write-subtitles	out.srt	字幕输出，下一课直接用
--rate / --volume / --pitch	--rate=-10% 式连写	负值必须用 = 连写

下一课预告

配音文件就位后，下一课字幕制作与校对：SRT 从生成到烧录处理字幕。你会学到：

• edge-tts 生成的 SRT 如何校对时间轴和错字
• 字幕样式怎么调才不挡画面
• 如何把字幕烧录进成片