旅遊業的內容需求有一個很特別的形狀:淡旺季落差極大、行程一改就要重講、而且幾乎每個行程都要多語系。 一個旅行社同時有 30 條行程、5 種語言、每季換價格與班機時間,這種量用傳統錄音室排法幾乎不可能跟上。
這篇講旅遊業配音的三種主要格式(行程宣傳片、景點導覽、短影音廣告)各自該怎麼配、地名怎麼唸才不露餡、多語言版本怎麼排、旺季怎麼把產能拉起來,以及一份上線前的檢查清單。
三種格式,三種聲音策略
旅遊內容最常見的錯誤,是用同一支「行程介紹影片」的聲音去配所有東西。導覽要慢,廣告要有推力,這兩件事在聲音參數上是相反的。
| 格式 | 長度 | 觀眾狀態 | 配音任務 | 聲音特徵 |
|---|---|---|---|---|
| 行程宣傳片 | 60–120 秒 | 正在比較要不要報名 | 讓人看見「這趟旅程的一天長什麼樣」 | 溫暖、稍快、有畫面感 |
| 景點/步道導覽 | 每站 60–120 秒 | 人已經在現場 | 補充看不到的歷史與細節 | 慢、停頓多、音量穩定 |
| 短影音廣告 | 15–30 秒 | 在滑手機,不認識品牌 | 一個畫面 + 一個價格或承諾 | 快、鉤子前置、語氣上揚 |
三者的關係可以這樣記:廣告賣「想去」,行程片賣「值得」,導覽賣「懂了」。
聲音參數對照表
同一支聲音模型,靠參數就能做出三種質感。以下數值是實務起點,不是規格。
| 參數 | 行程宣傳片 | 景點導覽 | 短影音廣告 |
|---|---|---|---|
| 語速(中文) | 230–250 字/分 | 180–200 字/分 | 250–270 字/分 |
| 英文對應 | 145–160 wpm | 115–130 wpm | 160–180 wpm |
| 句間停頓 | 200–300ms | 400–600ms | 150–200ms |
| 情緒強度(1–10) | 5–6 | 3–4 | 7–8 |
| 音高 | 平穩略上揚 | 平穩、接近說話 | 略高、有起伏 |
| 背景音樂 | 有,−20 dB 左右 | 極輕或無 | 有,節奏感強 |
| 環境音 | 可加入(市集、海浪) | 可加入,但要壓低 | 通常不加 |
導覽最容易做壞的地方是把它當廣告唸。人在現場、戴著耳機、正在走路,聽到急促的推銷語氣會直接關掉。導覽的目標是「像一個懂當地的朋友在你旁邊講話」。
地名與專有名詞:最容易露餡的地方
AI 配音在旅遊內容裡的破口幾乎都在專有名詞。中文稿裡混英文地名、英文稿裡混當地語言,唸錯一次說服力就沒了。
| 原文 | 常見錯唸 | 建議處理 |
|---|---|---|
| Bali(峇里島) | 唸成「巴利」 | 中文稿直接寫「峇里島」;英文稿確認是 /ˈbɑːli/ |
| Reykjavík(雷克雅維克) | 逐字母硬唸 | 英文稿用近似「RAY-kyah-veek」的拼寫引導 |
| Machu Picchu(馬丘比丘) | 重音放錯 | 英文稿標成「MA-choo PEE-choo」 |
| Angkor Wat(吳哥窟) | 唸成「安可」 | 英文稿用「ANG-kor waht」 |
| Hallstatt(哈修塔特) | 唸成英文拼讀 | 直接寫中文「哈修塔特」,英文留原文並測試 |
| 金閣寺 | 英文稿寫 Kinkakuji 卻唸成中文 | 英文稿一律用羅馬拼音,不混中文 |
| 富士山 | 英文稿唸「Fuji Mountain」 | 用「Mount Fuji」,這是唯一慣用寫法 |
| 杜拜 | 英文稿寫 Dubai 唸成「杜拜」 | 英文稿用「doo-BYE」引導 |
三個可操作的做法:
- 同一份稿不要混語系。 中文稿就把地名寫成中文,英文稿全用英文或羅馬拼音,混寫等於叫 AI 猜。
- 不確定的先聽一次再上片。 生成後專挑地名那幾句重聽,這是投報率最高的 QA。
- 需要精準就用 SSML 或拼寫改寫。 把「Reykjavík」改成「Rey-kya-veek」這種音節寫法,多數 TTS 會唸對;細節見 SSML 停頓與發音控制指南。
行程宣傳片:90 秒的時間碼模板
行程影片不是把景點清單唸一遍,是讓人在 90 秒內「過完一天」。
| 秒數 | 段落 | 內容 | 配音要點 |
|---|---|---|---|
| 0–5 | 鉤子 | 一個具體畫面:「早上六點,湖面還沒有人。」 | 慢,留白,不要配樂蓋過 |
| 5–20 | 這是什麼行程 | 天數、地區、適合誰 | 三個資訊以內 |
| 20–50 | 一天長什麼樣 | 早/午/晚各一個場景 | 動詞開頭,畫面感優先 |
| 50–70 | 差異化 | 為什麼不是一般旅行團(小團、在地導遊、避開人潮) | 具體到可驗證 |
| 70–85 | 實用資訊 | 出發月份、天數、包含什麼 | 放慢,逐項講清楚 |
| 85–90 | CTA | 「完整行程與價格在下方」 | 單一動作 |
關鍵是第 20–50 秒要有一天的形狀,而不是「第一天…第二天…第三天…」的流水帳。人記得住的是「清晨的湖邊」與「晚上在巷子裡吃的那碗麵」,不是行程表。
30 秒短影音版本
| 秒數 | 內容 |
|---|---|
| 0–3 | 最強的一個畫面 + 一句話(價格或季節限定) |
| 3–12 | 三個畫面快切,一個地點一句話 |
| 12–22 | 差異化一句 + 一個具體數字 |
| 22–27 | 適用對象(「適合不想趕行程的人」) |
| 27–30 | CTA |
15–30 秒的版本一定要燒字幕,因為多數人第一眼是靜音看的。
景點導覽:一段一站,60–120 秒
導覽的結構與廣告完全不同。它需要的是「定位感」——讓站在現場的人知道該看哪裡。
| 段落 | 秒數 | 內容 | 例子 |
|---|---|---|---|
| 定位 | 0–10 | 你現在看到的是什麼 | 「你眼前這座三層塔,是…」 |
| 看點 | 10–35 | 三個具體細節,指引用眼睛找 | 「注意屋簷第二層的…」 |
| 故事 | 35–80 | 一個人物、一個轉折、一個數字 | 誰建的、為什麼、花了多久 |
| 實用 | 80–105 | 開放時間、動線、拍照位置 | 不要唸票價(會變) |
| 收尾 | 105–120 | 一句帶走的話 + 下一站編號 | 「往前走 200 公尺是…」 |
幾個實作細節:
- 一站一段檔案。 不要把整條路線做成 20 分鐘長檔,觀眾要能跳聽與重聽。
- 段落開頭先報編號。 「第三站」比「接下來我們來到」更容易在選單裡對上。
- 重複關鍵資訊兩次。 現場有雜音,重要指引(方向、時間)講兩次。
- 不要唸死票價與時刻。 改成「以官網公告為準」,或錄一個可替換的短句。
多語言:先決定策略,再決定數量
一個行程賣五個市場,不代表要五種聲音。先選策略。
| 策略 | 做法 | 成本 | 適用 |
|---|---|---|---|
| 單一聲音多語言 | 同一聲音模型生成各語系 | 最低 | 品牌調性優先、行程以體驗為主 |
| 每語系一個聲音 | 中文用中文聲音、日文用日文聲音 | 中 | 多數跨境旅行社的預設 |
| 每市場一個聲音 | 同語系不同地區分開(en-US / en-GB、zh-TW / zh-CN) | 高 | 高單價、細節敏感的產品 |
需要注意三件事:
- 長度會膨脹。 同一段話,日文與德文的音節數常比中文多 20–40%,畫面與字幕要留餘裕。
- 不要直譯。 「深度旅遊」直譯成英文沒有意義,應改寫成 “small-group trips with local guides”。整體流程見 多語言產品影片配音流程。
- 數字與日期格式要在地化。 2026/3/15 在美式英文是 3/15/2026,唸法也不同。
語言優先序怎麼排
| 順位 | 語言 | 理由 |
|---|---|---|
| 1 | 主要客源語言 | 通常占七成以上營收 |
| 2 | 英文 | 通用,且是搜尋入口 |
| 3 | 第二大客源(如日文/韓文) | 客單價常較高 |
| 4 | 其他 | 有需求再加,不要一次全上 |
先做前兩名,把品質做對,比五個語言都做半套有效。
旺季產能:為什麼旅遊業特別適合 AI 配音
| 項目 | 傳統配音 | AI 配音 |
|---|---|---|
| 單支行銷片交期 | 2–5 個工作天 | 當天 |
| 改一個出發日期 | 重錄、重對軌 | 改稿重生該段 |
| 新增一個語系 | 另找一位配音員(常需試音) | 同一稿生成 |
| 一天要出 10 支短影音 | 排不進錄音室 | 批次生成 |
| 臨時加開一團 | 來不及做影片 | 2 小時內可上線 |
旅遊業真正的瓶頸不是「一支影片多少錢」,而是**「旺季前一週突然要多 8 支素材」**。這種需求形狀跟 AI 配音的優勢完全對得上。
實務分工建議:品牌形象片、需要在地口音與演技的導覽,留給真人;行程更新、價格變動、多語系版本、短影音變體,交給 AI。 這個切法在多數中型旅行社能把內容產能拉高三到五倍,且不犧牲品牌片的質感。
固定聲線可以用 聲音克隆,批次生成用 TTS,成本估算看 價格頁。
準確性與信任:旅遊內容不能唸錯的四件事
| 項目 | 風險 | 做法 |
|---|---|---|
| 價格 | 一改就過期,觀眾到現場發現不符 | 影片不唸具體價格,或標「依官網為準」 |
| 天候與季節 | 「一定看得到雪」這類承諾會引發客訴 | 改成機率描述,加註「依實際天候」 |
| 簽證與入境規定 | 各國變動快,唸錯是實質損害 | 一律不唸細節,導向官方連結 |
| 安全資訊 | 步道封閉、渡輪停駛 | 用可替換的短段,並標更新日期 |
另外兩點關於信任:
- 不要假裝在地人。 如果旁白不是該地母語者,就不要寫「我住在這裡二十年」這種第一人稱。改成「當地導遊帶你…」。
- 揭露 AI 旁白不是扣分。 在關於頁或影片說明寫一句「本影片旁白由 AI 語音生成」,反而減少誤解。
音樂、環境音與響度
| 項目 | 建議 | 原因 |
|---|---|---|
| 旁白響度 | 約 −16 LUFS | 社群與串流常見基準 |
| 音樂 | 比旁白低 18–22 dB | 手機外放時音樂最容易蓋掉人聲 |
| 環境音 | 只在段落間出現,不壓在句子下 | 導覽尤其明顯 |
| 真峰值 | 不超過 −1 dBTP | 避免平台壓縮後失真 |
| 版權 | 用可商用授權,保留授權紀錄 | 旅遊內容常被平台大量轉載 |
導覽音檔還有一個容易忽略的點:聽眾在戶外、有風、戴單邊耳機。 所以導覽的中頻要清楚,不要用大量低頻做「沉浸感」,那只會讓人聽不清。
上線前九項檢查
| # | 檢查 | 通過標準 |
|---|---|---|
| 1 | 地名是否唸對 | 逐個專有名詞重聽一次 |
| 2 | 數字與日期是否在地化 | 對照該語系慣用格式 |
| 3 | 靜音觀看是否看得懂 | 關聲音看一遍 |
| 4 | 字幕與旁白是否逐字一致 | 抽 5 句核對 |
| 5 | 價格與時刻是否已移除或加註 | 搜尋稿內所有數字 |
| 6 | 各語系長度是否對齊 | 誤差 10% 內,或已調畫面 |
| 7 | 響度是否統一 | 全部 −16 LUFS 左右 |
| 8 | 導覽是否一站一檔且編號正確 | 依路線順序試聽 |
| 9 | 是否標註更新日期 | 檔名與頁面都要有 |
五個常見錯誤
| 錯誤 | 後果 | 修正 |
|---|---|---|
| 用廣告語氣唸導覽 | 現場觀眾直接關掉 | 導覽降到 180–200 字/分、情緒 3–4 |
| 中文稿混英文地名 | AI 逐字母硬唸 | 同稿同語系,或改寫成音節拼法 |
| 五個語言一次全上 | 每個都做半套,品質不齊 | 先做前兩大客源語言 |
| 影片唸出具體票價 | 一改價就過期,引發客訴 | 導向官網,或標「依公告為準」 |
| 導覽做成 20 分鐘長檔 | 無法跳聽、重聽 | 一站一檔,60–120 秒 |
常見問題
導覽一定要真人錄嗎?
不一定。歷史解說、動線指引這類資訊型內容,AI 配音的辨識度很低,而且更新成本遠低於真人重錄。需要強烈個人風格或在地口音的導覽,才值得找真人。
AI 配音能唸出當地語言的地名嗎?
多數可以,但一定要先試聽。做法是把地名改寫成該語言的音節拼法(例如「Rey-kya-veek」),再生成一次確認。不要直接丟原文就上片。
一個行程需要幾種語言?
先看營收結構。通常前兩大客源語言就涵蓋七成以上需求;其餘語言等有實際詢問量再做,避免稀釋品質。
影片裡可以唸價格嗎?
建議不要,或至少不要唸死。旅遊價格變動頻繁,改成「完整價格與出發日期請見官網」,長期維護成本最低。
短影音和官網影片可以用同一支嗎?
可以,但一定要重剪。短影音需要鉤子更前面、長度更短、燒字幕;直接沿用官網影片通常前三秒就流失。
旺季前來不及做怎麼辦?
先把「一定會用到的」做成模板:30 秒鉤子、90 秒行程骨架、每站導覽固定結構。有了模板,換圖換稿就能在當天產出,這正是 AI 配音在旺季的價值。
旅遊配音的核心不是聲音多好聽,而是這個聲音有沒有幫觀眾想像自己在那裡。行程片要給人一天的形狀,導覽要給人現場的定位感,廣告要給人一個立刻想點的理由。把這三件事分開做對,比用一支影片打全部有效得多。

