錄一堂課最花時間的通常不是講內容,而是錄音。講錯一個字要重錄整段、設備有雜音要重來、課程更新一章就要重新進錄音室。多數學員其實不在意你的麥克風型號,他們在意的是聽得清楚、跟得上、不會想開兩倍速逃走。
AI 配音把這件事拆開:內容你寫,聲音交給 文字轉語音 生成。這篇講線上課程配音的實務做法——怎麼寫給耳朵聽的講稿、每個章節該用什麼語速、以及課程改版時怎麼只重生變動的段落。
為什麼線上課程特別適合 AI 配音
線上課程和廣告、品牌片最大的差別是生命週期長、改版次數多:
| 特性 | 傳統錄音 | AI 配音 |
|---|---|---|
| 改一句話 | 重錄整段,可能要重剪 | 改字重生該段 |
| 新增一章 | 排錄音室檔期 | 當天完成 |
| 多語言版本 | 找當地講師或配音員 | 同聲線切語言,再校對 |
| 學員回饋「太快」 | 重錄 | 調語速重生 |
| 一致性 | 每次錄音狀態不同 | 同一聲音參數,穩定 |
課程越長,AI 配音的邊際成本越低。 一支 3 分鐘廣告不值得為它改流程;一門 6 小時的課程,改版三次就完全不同了。
先決定:課程要用幾種聲音
不是所有課都該用同一個聲音從頭唸到尾。先選聲音策略,再寫稿:
| 策略 | 做法 | 適合 | 風險 |
|---|---|---|---|
| 單一講師聲線 | 全課一個聲音 | 單一講師、知識型課程 | 長課容易單調 |
| 主講 + 旁白 | 主講負責觀念,旁白負責過場與練習指示 | 有實作、有練習的課 | 需要兩種聲音規範 |
| 角色化 | 不同單元不同角色 | 語言學習、情境模擬 | 製作複雜度高 |
| 混合真人 | 關鍵單元真人,其餘 AI | 高單價旗艦課 | 聲音切換要處理 |
如果你有自己的聲音,用聲音克隆建立專屬聲線最省事:學員聽到的是你,但你不必為每一版重錄。沒有錄音條件也沒關係,挑一個語速與語氣接近你講課風格的聲音即可——學員適應聲音的速度,比你想得快。
寫給耳朵聽:講稿的五個修改
書面講稿直接丟進 TTS,聽起來會像在唸公文。改這五件事:
1. 一句一個意思。 把「由於本單元將介紹三個核心概念,分別是……」改成「這單元有三個概念。第一個是……」。
2. 補上口語連接詞。 書面靠標點分段,耳朵靠「所以」「接下來」「注意」這些路標。
3. 數字與單位寫成唸得出來的形式。 3.5% 寫成「百分之三點五」,2024Q4 寫成「二零二四年第四季」。TTS 多半唸得對,但先寫清楚可以省下試聽時間。
4. 建立專有名詞詞典。 產品名、人名、縮寫最容易唸錯。第一次出現時用你想要的唸法標註,或在平台端設定發音與停頓。
5. 標記停頓。 概念之間留 0.6–0.8 秒,章節切換留 1.2 秒。停頓是課程配音最被忽略的品質指標——沒有停頓的聲音,聽起來像在趕下班。
語速不是一個數字,是按章節調
同一個語速套完整門課,是最常見的錯誤。學員在不同段落的認知負荷差很多:
| 章節類型 | 建議語速(中文) | 建議語速(英文) | 理由 |
|---|---|---|---|
| 開場、課程導覽 | 240–260 字/分 | 150–165 wpm | 建立期待,可以輕快 |
| 概念講解 | 210–230 字/分 | 135–150 wpm | 需要消化時間 |
| 步驟示範 | 190–210 字/分 | 125–140 wpm | 邊看邊做,要更慢 |
| 重點複述 | 200–220 字/分 | 130–145 wpm | 強調,句間停頓加長 |
| 章節收尾 | 230–250 字/分 | 145–160 wpm | 收束,回到穩定節奏 |
中文 220 字/分大約等於英文 140 wpm 的資訊密度,換語言時可以用這個比例抓基準,再微調。用 WaveMind™ 可以把整門課的節奏曲線先定好,避免每個單元各自為政。
章節架構模板
把每個單元控制在 6–12 分鐘,學員比較容易完成。單元內部用固定結構,學員會形成預期:
| 段落 | 時長佔比 | 內容 | 配音要點 |
|---|---|---|---|
| 鉤子 | 5% | 這單元解決什麼問題 | 語速略快,一個問題就好 |
| 前置知識 | 10% | 需要先會什麼 | 平穩,不要製造焦慮 |
| 主概念 | 40% | 2–3 個觀念 | 每個觀念後停 0.8 秒 |
| 示範 | 30% | 操作步驟 | 最慢,步驟間停 1 秒 |
| 常見錯誤 | 10% | 學員常卡在哪 | 語氣轉為提醒 |
| 收尾 | 5% | 重點三句 + 下一單元預告 | 放慢,最後一句收乾淨 |
製作流程:七步跑完一門課
- 盤點單元:列出所有單元與時長,標記哪些要重寫。
- 改寫講稿:套用上面的五個修改,順手標停頓。
- 建立聲音專案:在 TTS 選定聲音、語速、語調,存成預設。
- 批次生成:一次生成一個單元,不要一次丟整門課,出錯難追。
- 試聽與標記:邊聽邊記時間碼(例如
03:12 唸錯產品名),不要停下來改。 - 局部重生:只重生有問題的句子,保持其他段落不變。
- 混音與上字幕:音量正規化、加上字幕與章節標記。
改版管理:只重生變動的段落
課程真正的成本在第二次、第三次改版。建議這樣管:
- 一段一檔:每個段落獨立音檔,命名為
<單元>-<段號>-v<n>。 - 保留講稿版本:講稿進 Git 或至少存日期副本,才知道哪一版對應哪個音檔。
- 變動清單:每次改版列出「新增/修改/刪除」的段落,只處理這三類。
- 不改就不重生:已上線且學員沒反映問題的段落,不要因為「想統一」而全部重做。
- A/B 小規模驗證:語速或聲音有調整時,先在某個單元試,看完成率與跳出點。
字幕與無障礙
配音與字幕要一起做,不要事後補:
- TTS 通常可同時輸出時間軸,直接產出 SRT,省一次人工對時。
- 字幕一行不超過 42 個字元(英文)或 20 個中文字,避免視線跳動。
- 純音檔要有文字稿,這同時是 SEO 素材與無障礙要求。
- 多語言版本的字幕與時間軸批次處理,可參考多語言產品影片配音流程。
常見錯誤
- 整門課同一個語速:學員在示範段跟不上,在導覽段又嫌慢。
- 講稿沒改就生成:書面語直接唸,聽起來像有聲書而不是課程。
- 一次生成整門課:出錯要重來,也難以局部修正。
- 忽略專有名詞:產品名唸錯一次,專業感就掉一半。
- 沒有留停頓:資訊密度過高,學員只能開字幕。
- 聲音與講師形象差距太大:如果你會出現在影片中,聲音要對得上。
成本怎麼算才合理
不要用「每千字多少錢」比較,用每小時成品的總成本:
| 項目 | 傳統錄音 | AI 配音 |
|---|---|---|
| 錄音時間 | 成品長度的 1.5–3 倍 | 接近 0 |
| 剪輯 | 每單元 30–60 分鐘 | 局部重生即可 |
| 改版 | 重新排程 | 當天 |
| 多語言 | 每個語言重新錄 | 生成 + 校對 |
把講稿品質做好,AI 配音的優勢會被放大;講稿沒改,任何工具都救不了。
常見問題
Q:AI 配音的課程,學員會察覺嗎? 短句、平穩語速的知識型內容最難分辨。容易露餡的是情緒轉折、笑點與即興互動——這些段落可以保留真人,或改用更自然的語氣設定。
Q:需要標示 AI 配音嗎? 看平台政策與所在地法規。多數情況不需要逐句標示,但涉及真人聲音克隆時,取得授權並在課程說明註明是比較安全的做法。
Q:可以先做一個單元試水溫嗎? 可以,而且建議這樣做。先做最短、最獨立的一個單元,收集完成率與學員回饋,再決定整門課的語速與聲音。
Q:課程有大量截圖與操作畫面,配音怎麼配合? 先寫操作步驟,再依「一個動作一句話」切段,每段配一張畫面。配音生成後再微調每段長度去對畫面,比反過來容易。
Q:之後想換聲音怎麼辦? 保留原始講稿與段落切分,換聲音時可以批次重生,不必重寫內容。這也是為什麼講稿要版本化。
開始做你的第一門課
先挑一個 8 分鐘的單元,照上面的章節模板寫稿、設定語速、生成、試聽。做完一輪你會發現,真正花時間的是講稿,而不是聲音。
準備好了就從 Soundwaver 文字轉語音 開始,需要固定品牌聲線可以用聲音克隆,想看方案與額度在價格頁。


