文章轉音檔做熟之後，我開始膨脹了，覺得自己可以挑戰更難的：把一整本十萬字的內容，用 AI 做成有聲書。
結果第一個晚上就教我做人。短篇裡完全看不出來的問題，一拉到十萬字的長度，全部浮上來。語氣漂移、章節斷點、後製爆量，每一樣都夠我喝一壺。
這篇把我踩過的坑、最後磨出來的流程，老老實實記下來。如果你也想把長文、課程、甚至整本書做成音檔，這些經驗應該能幫你省下很多個晚上。
先說結論：短篇靠工具，長篇靠流程
三五千字的文章，你只要稿子寫好、丟進去，出來的東西通常能直接用。但十萬字的有聲書，光靠工具撐不住，你得自己搭一套「流程」：怎麼分段、怎麼保持聲音一致、怎麼後製，每一環都要有規矩。
沒有流程的人，會像我第一晚一樣，一口氣轉完全部，然後整晚都在收拾爛攤子。
第一個坑：三千字之後，語氣開始「飄」
這是我最早發現、也最困擾的問題。
同一段聲音，前三千字唸得中規中矩，過了某個點之後，語速、停頓、甚至音高都開始微微跑掉。單獨聽每一段都還好，但整本連著聽，就會覺得「怎麼越聽越不是同一個人」。
原因不難理解：模型處理超長文本時，前後的「語境」會互相拉扯。 後面的段落會不自覺受到前面內容的影響，節奏就越來越偏。
我的解法：把長文切成小段，一段一段餵。 我後來固定每段不超過一千五百字，段落之間用章節標題切開。這樣每一段都是獨立生成，語氣就穩定多了。代價是要多花時間一段段跑，但比起「整本重來」，這點時間划算太多。
第二個坑：分段要按「章」，不要按「字數」
一開始我偷懶，用「每兩千字切一刀」的方式分。結果災難。
因為硬切常常切在句子中間，或是把一個完整的段落拆成兩半。聽的人會突然被中斷，然後下一段又從半句話開始，完全對不上。
正確做法是：按內容的結構切。 一章一個檔案、一個小節一個檔案。切之前先掃一遍，確認每個斷點都在「自然收尾」的地方——一段話講完了、一個小標題結束了。寧可一段長一點、短一點，也不要切在中間。
我後來的心法是：把每一段當成一支獨立的短配音來做，再用「片頭片尾」把它們串起來。 這樣心態也輕鬆，品質也穩。
第三個坑：聲音一致性，從頭到尾不能換
這是長篇最容易被忽略、卻最致命的一點。
短篇裡你換個聲音無所謂，但一本十萬字的書，如果第三章突然變成另一個音色，聽的人會瞬間出戲，甚至以為是檔案壞了。
所以從第一天就要定死：整本用同一個聲音、同一組語速跟音高參數。 我會把這些參數記在專案的開頭，每一段都照抄，絕不手滑改動。中途想微調，就全部重跑，不要只改某一章。
還有一個細節：取樣率跟輸出格式也要統一。 前面 44.1kHz、後面 22kHz，接在一起會有明顯的密度落差。這些「看不見的小地方」，正是長篇品質的關鍵。
第四個坑：後製的量，比你想的大十倍
短篇後製可能就是去個雜音、調個音量。長篇的後製，是一整條流水線。
我踩過最痛的一次，是一口氣轉完全部十萬字，然後才開始後製。結果發現有幾段的音量忽大忽小、有幾段有口水音、片頭片尾完全沒有——等於要從頭再聽一遍，一個一個修。
後來我把後製拆成三關，邊做邊驗收：
第一關，去口水音跟雜訊。 每轉完一段就立刻處理，不要囤到最後。
第二關，統一音量。 用響度標準化（loudness normalization）把每段拉到一致的響度，避免段與段之間忽大忽小。
第三關，加片頭片尾跟過場。 每一章前面放一個簡短的章節標題音、結尾放一個小小的收尾音，聽的人才知道「這章結束了」。
我搞砸過的那個晚上
說來慚愧，我犯的錯幾乎都是「貪快」。
第一晚，我想說「一次轉完全部，明天就能上架」，於是把十萬字整包丟進去。等了很久，出來一大堆檔案，我興奮地開始聽——結果越聽越涼。語氣漂了、斷點亂了、音量不齊，最糟的是，我根本分不清哪一段對應哪一章。
那天晚上我學到兩件事：長篇沒有「一次到位」這種事，只有「一段一段做好」。 還有，檔案的命名，一定要在一開始就定好規矩，否則後悔莫及。
我現在的命名是「章節編號＋章節名＋段號」，例如「03-第三章-02.wav」。這樣不管檔案再多，我一眼就知道它是誰、該排在哪。
十萬字做完，我的帳
全部做完，前後大概花了我幾個晚上的零碎時間（轉檔加後製）。如果找真人配音員錄十萬字，費用跟時間完全是另一個量級，這是我選 AI 的根本原因。
但我也得老實說：AI 有聲書現在還到不了「專業錄音室」那個等級。 它能做到的是「乾淨、穩定、可聽、成本極低」，做不到的是「每一句都有戲」。如果你的書需要大量情感表演，AI 只能當底稿，關鍵章節還是建議找人。
對想「把內容變成音檔、讓更多人用聽的」這件事來說，AI 已經完全夠用，而且門檻低到嚇人。
給想開始的人的三個建議
如果你看完也想挑戰長篇，我給你三個很實務的建議。
第一，先從兩萬字開始，別直接衝十萬。 兩萬字剛好夠你把「分段、命名、後製」整條流程跑一遍，錯也錯得起。十萬字是你流程成熟之後的事。
第二，把參數跟命名規則寫在一張紙上。 聲音、語速、音高、取樣率、輸出格式、檔案命名，全部寫下來貼在螢幕邊。長篇最怕的不是難，是「中間忘了自己怎麼設定的」。
第三，留一份「每章檢查表」。 每做完一章，就勾一次：語氣有沒有漂、斷點對不對、音量平不平、片頭片尾有沒有。這份表能幫你在錯誤變大之前抓住它。
還有一件事很多人會忽略：備份。 十萬字拆成三十段，每一段都是心血。我會把原始稿、分段稿、生成檔、後製檔分成四個資料夾，各存一份。東西一多，最怕的就是「檔案找不到」或「不小心蓋掉」。多花三十秒備份，省下的是一整個晚上。
長篇沒有捷徑，但它有「流程」。流程對了，十萬字不過是把同一件事，重複做三十次。
想試試看
如果你只做到「文章轉音檔」，可以從 這篇三個月的通勤實測 開始；想搞懂長文為什麼會有這些極限，TTS 的原理 會給你答案。十萬字的大工程，其實就是幾百個「三千字」疊起來，把每一小段做好，整本自然就穩。
