AI配音的提示词到底咋写啊？

写AI配音的提示词，核心其实就一句话：你不是在写“台词”，你是在给一个没有身体的演员做导演阐述。绝大多数人写不好，是因为只把文字丢进去，却忘了告诉它“用什么声音、什么情绪、什么节奏、什么场景下说”。

我把这块拆成三层：文本层、表演层、技术层。三层都写到位，出来的效果和“随便打一段字”完全是两个物种。

先搞清楚：AI配音工具到底在“理解”什么

目前主流的AI配音产品可以分成两代：

• 第一代：TTS（文本转语音），比如早期的微软Azure TTS、讯飞、以及现在很多剪辑软件内置的配音。它只做一件事：把字读出来。你给的“提示词”主要是发音、停顿、多音字、语速。
• 第二代：带情感/风格控制的语音大模型，比如 ElevenLabs（elevenlabs.io）、Fish Audio（fish.audio）、MiniMax 语音（minimaxi.com）、以及字节的豆包语音（doubao.com）。这类工具能理解“语气”“人设”“情绪”，提示词写法就完全不一样了。

所以第一个问题是：你用的是哪一代工具？用第一代的思路写第二代的提示词，浪费；用第二代的思路写第一代，无效。

文本层：先让文字“能读”

不管哪一代，文本本身没处理好，后面全白搭。这一步是基本功：

• 多音字手动标注。比如“银行”和“行走”、“长大”和“长度”。很多工具支持拼音标注，比如 重(zhòng)要 或 重4要，具体格式看平台文档。
• 数字、单位、英文要转写。不要写“2024年”，写“二零二四年”更稳；“3.5%”写成“百分之三点五”；“AI”写成“A I”或“人工智能”，看你要的读法。
• 用标点控制停顿。逗号=短停，句号=中停，破折号=拖长，省略号=犹豫。这一招在第一代TTS里几乎是唯一的“表演”手段。
• 长句拆短句。AI配音最怕长定语从句，一口气读不完就会机械。一句话超过25个字，考虑拆。

表演层：这才是“提示词”的灵魂

如果你用的是第二代工具，提示词里应该包含这五个要素。我把它叫做配音五要素：

举一个真实可用的例子。假设你要配一段广告文案：

差的提示词：“用温柔的女声读这段话。”

好的提示词：“28到32岁女性，声音干净但有一点颗粒感，像睡前电台主播。整体语速偏慢，句尾轻微下沉。情绪是‘真诚推荐，但不推销’，带一点点笑意。重音放在‘真正’和‘每天’上。停顿：每个句号后停0.4秒，破折号处拖长。”

你会发现，好的提示词根本不像“命令”，更像给演员的导演笔记。

技术层：那些容易被忽略但很致命的参数

• 语速（Speed）：0.9到1.1之间最自然，超过1.2就开始像机器人。
• 稳定性（Stability）：ElevenLabs里这个参数越低，情绪越丰富但越容易“飘”；越高越稳但越平。建议0.4到0.6之间试。
• 相似度（Similarity）：声音克隆时用，太高会连原声的瑕疵一起复制，太低就不像。一般0.75左右。
• 风格强度（Style Exaggeration）：有些平台有，情绪强就调高，但太高会失真。
• 采样率：做视频至少44.1kHz，做播客可以48kHz。

这些参数不是孤立的。比如你把语速调到0.85，稳定性就要相应调低一点，否则会显得拖沓又死板。

一个可以直接套用的提示词模板

我平时写配音提示词，基本用这个结构，你改改就能用：

1. 人设：年龄+性别+职业感+音色特点
2. 场景：在哪说、对谁说、距离多远
3. 情绪：主情绪+副情绪+情绪强度
4. 节奏：整体语速+停顿规则+句尾处理
5. 重音：哪几个词要突出
6. 禁忌：不要什么（比如“不要播音腔”“不要上扬”

比如给一条知识类短视频配音：

“35岁男性，声音偏低沉，像纪录片旁白但更松弛。场景是晚上书房，对着镜头外的一个人讲。情绪是‘我知道你不知道，但我不是教你，是分享’。语速中等偏慢，每个知识点后停0.5秒。重音放在数字和结论上。不要播音腔，不要每句都上扬。”

几个常见坑，提前帮你踩了

• 提示词写太长反而无效。超过150字，很多模型会“抓不住重点”。建议80到120字之间。
• 情绪词太抽象没用。“悲伤”不如“压着哭腔但没哭出来”。
• 不要用否定句。写“不要激动”不如写“保持平稳”。模型对否定词的处理普遍偏弱。
• 多音字和英文混排是最容易翻车的地方，生成后一定要听一遍。
• 同一段文案多生成几版，选最好的，比反复调提示词更快。

工具选择上的一点建议

如果你只是做短视频口播，剪映内置的配音加手动标点就够了。如果你要做有声书、播客、或者需要情绪层次，直接上 ElevenLabs 或 Fish Audio，提示词按上面五要素写。国内的话，MiniMax 和 豆包语音 的中文自然度已经相当能打，而且有免费额度可以先试。

最后说一句大实话：AI配音的提示词，70%的功夫在文本，20%在情绪描述，10%在参数。你把文案改顺了，标点打对了，再随便加两句情绪描述，效果就已经超过80%的人了。

相关问题

1. AI配音能完全替代真人配音吗？
目前不能。AI在长情绪、即兴反应、多人对话上还是弱，但标准口播、知识讲解、有声书已经够用。

2. 声音克隆需要多少素材？
ElevenLabs一般1分钟就能克隆，但想要稳定自然，建议准备3到5分钟干净无噪音的录音。

3. 为什么我的AI配音听起来像机器人？
大概率是文本太长、标点太少、语速太快。先拆句子，再加停顿，最后调语速。

4. 中文配音哪个平台最自然？
综合来看，Fish Audio 和 MiniMax 的中文情绪表现目前靠前，ElevenLabs中文也不错但偏“翻译腔”。

5. 提示词里能不能直接写“像某某明星”？
可以描述音色特征，但直接写明星名字很多平台会拒绝或效果不稳定，建议拆成“低沉、沙哑、慢速”这类具体描述。