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。


