SSML 停頓與發音控制指南:讓 TTS 唸對專有名詞

SSML 停頓與發音控制指南:讓 TTS 唸對專有名詞

TTS 唸錯一個品牌名,整支影片的可信度就打折。更麻煩的是,它通常錯得很規律:同一段稿子,每次都在同一個地方斷錯句、同一個縮寫唸成字母。

這篇不談抽象規格,只談兩件事:怎麼讓停頓聽起來像人在說話,以及怎麼讓專有名詞每次都唸對。前段用標準 SSML 說明原理,後段給出「工具只吃純文字」時仍然有效的替代做法。

為什麼 TTS 會唸錯:三個不同層次

多數人把「唸錯」當成一件事,其實是三件事,修法完全不同。

層次 現象 真正的原因 修正手段
斷句 句子被切成兩半,語氣中斷 標點太少、括號與斜線干擾、句子過長 改標點、拆句、加 break
發音 專有名詞、縮寫、多音字唸錯 詞典沒有這個詞,模型按拼字猜 phoneme/sub、改寫拼法
語調 每個字都對,但整句很平或很急 語速、音高沒有層次 prosody、分段錄、換聲線

先判斷是哪一層,再動手。用 prosody 去修一個發音錯誤,永遠修不好。

SSML 的核心標籤:只有六個真的常用

SSML 規格很大,但實務上九成問題靠這六個解決。不同引擎(Amazon Polly、Azure Speech、Google Cloud TTS 等)支援的是子集,同一個標籤在兩家引擎的行為可能不同,上線前一定要用實際引擎試聽。

標籤 用途 典型寫法 注意
break 插入停頓 <break time="400ms"/> 太長會像斷線,超過 1 秒要慎用
sub 替換唸法 <sub alias="薩斯">SaaS</sub> 只改唸法,字幕仍顯示原文
phoneme 指定音素 <phoneme alphabet="ipa" ph="ˈsoʊfə">Sopha</phoneme> 支援度最不穩定,需逐引擎測試
say-as 宣告內容型別 <say-as interpret-as="characters">API</say-as> 數字、日期、電話最有用
prosody 調語速/音高/音量 <prosody rate="95%">…</prosody> 幅度要小,±10% 就很有感
emphasis 強調 <emphasis level="strong">免費</emphasis> 過度使用會變得像廣告

一個原則:能用 sub 解決的,不要用 phoneme。sub 跨引擎穩定,phoneme 常因引擎而異,而且改一次要重測全部段落。

停頓:不要用逗號堆疊假裝呼吸

最常見的錯誤是用「,,,」或「…」假造停頓。結果是標點滿天飛,唸出來卻是平的,因為引擎把連續標點視為同一個停頓。

正確做法是把停頓當成節奏設計,長度對應語意層級。

停頓位置 建議長度 為什麼
詞與詞之間(自然換氣) 100–150ms 太短會黏字,太長會像卡頓
子句之間(逗號) 250–350ms 讓聽眾有時間消化半個意思
句子之間(句號) 400–600ms 語意單位結束,需要心理緩衝
段落/章節切換 700ms–1s 章節感;影片可搭配畫面切換
重點句之前 300–500ms 製造預期,是最有效的「加重」手法
清單每一項之間 300ms 讓三項清單聽起來是三項,不是一長串

範例:同一句話,兩種寫法差很多。

<!-- 平淡:全部靠逗號 -->
我們的方案能降低成本,提升效率,讓團隊更快上線。

<!-- 有節奏:層級分明 -->
我們的方案能降低成本。<break time="350ms"/>
提升效率,<break time="250ms"/>讓團隊更快上線。

第二版聽起來像有人在講重點,第一版像在念公文。差別不在聲音,在停頓。

中文標點的三個實務細節

  • 頓號「、」的停頓比逗號短,列舉四項以上時,每項之間可加 break 統一節奏。
  • 破折號與省略號常被引擎忽略,想停就明寫 break。
  • 括號內容建議直接刪除或改寫成獨立句,因為括號常導致斷句錯亂,聽眾也抓不到重點。

發音:四種策略與適用時機

沒有一個方法萬用。下面這張表是我實際排錯時的優先順序:從最穩定的開始試。

策略 做法 何時用 風險
1. 改寫 把難唸的詞換成同義、好唸的說法 中文多音字、罕見外來詞 可能改變原意,需人工複核
2. 拼法改寫 用同音字拼出正確讀音(Sopha → Sofa) 品牌名、人名,且引擎無詞典 字幕會顯示錯誤拼法,需另存顯示文本
3. sub 別名 保留原字,只替換唸法 縮寫、專有名詞,且引擎支援 各引擎支援不一致,需實測
4. phoneme 直接指定音素 前三种都失效,且只鎖定單一引擎 最脆弱,換引擎就要重做

中文多音字:用「詞」而不是「音」解決

中文最麻煩的是多音字。標音很脆弱,換詞最穩。

字 常見錯誤唸法 不會錯的寫法
重 重(ㄓㄨㄥˋ)新 vs 重(ㄔㄨㄥˊ)新 「再次」取代「重新」
行 行(ㄒㄧㄥˊ)業 vs 行(ㄏㄤˊ)業 「產業」取代「行業」
長 長(ㄔㄤˊ)期 vs 長(ㄓㄤˇ)期 「長期」多數引擎正確;有疑慮改「長時間」
還 還(ㄏㄞˊ)要 vs 還(ㄏㄨㄢˊ)款 「尚須」取代「還要」;「退款」取代「還款」
得 我得(ㄉㄜˊ)到 vs 我得(ㄉㄟˇ)去 「必須」取代「得」

同一原則用在英文:live(直播/居住)、read(現在式/過去式)、lead(領導/鉛)、record(名詞重音在前/動詞在後)。用上下文改寫,比標音可靠。

英文縮寫與品牌名

類型 錯誤唸法 修正
縮寫當字唸 API 唸成「阿匹」 <say-as interpret-as="characters">API</say-as> 逐字母
可發音縮寫 SaaS 逐字母唸 <sub alias="sass">SaaS</sub>
品牌大小寫 Soundwaver 重音錯位 用 sub 給出音節化拼法,如 Sound-way-ver
版本號 v2.1 唸成「v 二點一」 改寫為「version two point one」

數字、日期、單位:先宣告,再朗讀

內容 不要這樣寫 建議寫法
年份 2026 可能唸成「兩千零二十六」 <say-as interpret-as="date" format="y">2026</say-as> 或直接寫「二〇二六」
百分比 -30% 唸成「減三十百分比」 改寫「降低三成」
金額 $1,299 唸法各引擎不同 改寫「一千二百九十九美元」
電話 數字連唸難辨 逐段加停頓:「〇二,二七〇〇,一二三四」
時間 15:30 可能唸成「十五比三十」 改寫「下午三點半」

寫稿時就把「要怎麼被唸出來」寫進去,比事後補標記省力得多。

語速與音高:幅度要小

prosody 是最容易被濫用的標籤。實測經驗:

  • 語速:基準 100%,調整範圍 90–110%。低於 85% 開始不自然,高於 115% 聽不清楚。中文每分鐘約 190–260 字,英文 125–165 字,先確認你的基準在哪。
  • 音高:±5% 已經足夠區分「陳述」與「提醒」,調太多會變成另一個人。
  • 音量:不要用 prosody 調音量做混音,後製處理更乾淨。

一個實用技巧:整段用同一語速,只有 CTA 放慢 5%。差異很小,但聽感上「這句話不一樣」。

六步流程:把 SSML 變成可維護的資產

步驟 做什麼 產出
1 先寫「可朗讀稿」,唸得順才進標記 純文字稿
2 標記只加在必要位置,其餘留白 標記稿
3 用實際引擎試聽 3 段:開頭、專有名詞密集段、CTA 試聽紀錄
4 建立「唸錯清單」,同一個詞只修一次 品牌詞典
5 每個 slug 或版本獨立檔名,標記與稿同步版控 slug-v3.ssml
6 換聲線或換引擎時,重跑第 3 步的回歸清單 回歸報告

第 4 步最容易被跳過,但它決定你下個月還要重做幾次。把常錯的詞集中成一份清單,新專案直接套用。

工具沒有 SSML 欄位時怎麼辦

很多實務場景只有一個純文字輸入框。不用放棄,八成效果可以用文字做到:

目標 純文字替代做法
短停頓 用句號斷開,不要用逗號串長句
長停頓 另起一段,或插入一行只有標點的空白行
專有名詞 直接改寫成好唸的同義詞或音節化拼法
數字 全部寫成中文或英文文字
語速層次 拆成多段分別生成,再在剪輯時拼接
強調 把要強調的短句獨立成一句,前後各留一個句號

最後一招「拆段生成+剪輯拼接」特別好用:同一支影片,開場用 95% 語速、產品段用 100%、CTA 用 90%,只要生成三次,剪輯時對齊即可。比在一個檔案裡硬調自然得多。

上線前的檢查清單

  • [ ] 所有品牌名、人名、產品名都在「唸錯清單」裡,且已修正
  • [ ] 沒有連續兩個以上的標點符號用來假造停頓
  • [ ] 每個數字都有明確的讀法(文字化或 say-as)
  • [ ] 縮寫全部確認是逐字母或當字唸
  • [ ] 開頭 5 秒、專有名詞段、CTA 三段已人工試聽
  • [ ] 標記檔與文字稿同版號,換聲線時可重跑

常見問題

Q1:SSML 一定要用嗎? 不一定。如果稿子短、專有名詞少、語氣要求不高,純文字加正確標點就夠。SSML 的價值在可重複:固定標記後,換聲線、換語言都能重跑,不用重寫。

Q2:為什麼同一段稿子,換一個聲音就唸錯了? 不同聲線的發音詞典與模型不同。所以標記要跟著「稿」走,而試聽要跟著「聲線」走。換聲線時,只需重跑專有名詞那幾段。

Q3:phoneme 用 IPA 還是引擎自訂格式? 先看引擎文件。IPA 支援度較廣但不完整,部分引擎只吃自己的音素集。若你只會用一個引擎,用它的原生格式最穩;若要跨引擎,優先用 sub。

Q4:中文多音字可以靠標音解決嗎? 可以,但很脆弱。同一個字在不同詞裡讀音不同,標音只對當下的句子有效,改稿就容易失效。改寫成沒有歧義的詞,長期維護成本最低。

Q5:停頓越長越好聽嗎? 相反。超過 700ms 的停頓在耳機裡會像斷線。真正有效的是短停頓放在對的位置:重點句前 300ms,比句中塞 1 秒有效得多。

Q6:多人對話要怎麼做? 每句獨立生成、各自指定聲線,再拼接。不要試圖在一個檔案裡切換聲音,多數引擎不支援,且語速與停頓會不一致。

下一步

想先聽效果,可以直接用 Soundwaver TTS 把同一段稿子生成兩次、比較不同語速;如果你需要固定品牌聲音,聲音克隆 可以讓所有素材聽起來是同一個人。腳本怎麼寫得更好唸,可參考高轉換配音腳本;多語言版本的檢查項目,見配音本地化 QA 檢查清單。方案與額度在定價頁。

小提醒:本文的標記範例以標準 SSML 為主。各引擎支援的標籤與行為不同,上線前請用你實際使用的引擎試聽關鍵段落。

分享這篇文章
XFacebookLINE