去年底一個朋友找我幫忙：他做了一門線上課程，三十個單元的逐字稿全部寫好了，但一想到要錄三十段旁白就整個卡住。他問我：「AI 配音可以用在課程上嗎？」
我跟他說：「我先幫你配三集試試，聽完你再決定。」
結果他聽完之後，當場決定全部三十集都用 AI 配。那門課程上架半年，超過兩千人報名，到現在沒有一個學生抱怨「聲音是假的」。
後來又有兩個講師找上來，型態完全不同：一個是簡報講解課程（畫面是投影片加旁白），一個是程式教學（畫面是螢幕操作加解說）。三種課程我都用 AI 配音做完，這篇把所有經驗整理出來。
為什麼線上課程特別適合 AI 配音
課程跟短影片最大的不同是「修改頻率」。
短影片拍完就完了，但課程內容會一直更新——新的 API 版本出來、新的法規通過、新的案例發生，你都要回去改。如果每改一次就要重錄一次旁白，那個成本是會累積的。我幫第一位講師做的課程，半年來改了七次內容，如果每次都真人重錄，光是排期和錄音就要花掉兩週的時間。用 AI 的話，改稿、重新生成、替換音檔，半天就搞定。
另一個原因是「一致性」。三十個單元，如果用真人錄，你很難保證每一集的音色、音量、情緒都一致——講師的狀態每天不同。但 AI 配出來的每一集，音色完全一致，聽起來就像同一次錄音，這種穩定感在課程裡特別重要，因為學生是連續聽的，任何不一致都會被放大。
第一種課程：敘述型（有聲書式）
第一個講師的課程是「職場溝通」，內容主要是講解概念和案例分析，像有聲書一樣一個人講到底。
這種課程的稿子最需要注意的是「斷句」。講師的書面稿通常很長，一句話動不動就超過四十字。我做的第一件事就是把所有長句拆成短句——每句不超過二十字，中間用逗號或句號斷開。拆完之後，AI 配出來的節奏馬上就不一樣了，從「唸稿」變成「講話」。
聲音選擇方面，我幫他選了一個溫和但不軟的聲音——太溫柔的聲音在長篇課程裡會讓人昏昏欲睡，太有力量的又會讓聽眾覺得在被訓話。折衷的做法是選一個「中性穩定」的聲音，然後在稿子裡用標點和句長來控制情緒起伏。
這一門三十個單元，我從收到逐字稿到全部配完，花了四天。如果用真人錄，講師自己估的是至少兩週。
第二種課程：簡報講解型
第二個講師的課程是「數據分析入門」，畫面是投影片，旁白跟著投影片走。
這種課程最大的挑戰是「節奏對齊」。旁白必須跟投影片的動畫時間對上——你講到第三張圖的時候，畫面要剛好切到那張圖。解法是我先在每張投影片上標好時間碼，然後照時間碼切稿子。例如第一張投影片預計停留四十秒，我就把對應的旁白控制在二十到二十五個字之間（中文語速約每秒五個字），留十五秒的空間給動畫和停頓。
另一個要注意的是「指代詞」。稿子裡寫「如圖所示」可以，但旁白裡你不能說「如圖所示」——聽眾聽不到「圖」。要改成「你們現在看到的這張圖，左邊是舊版、右邊是新版」。我花了半天把所有指代詞改完，這是準備稿子時最容易漏掉的步驟。
聲音方面，我選了一個偏中性的聲音，語速調到 1.05 倍——比正常稍微快一點，讓課程聽起來有推進感又不趕。太慢的語速在簡報課程裡會讓學生覺得「這段可以跳過」。
第三種課程：程式教學型
第三個講師教的是 Python，畫面是螢幕操作加語音解說。
這是最難的一種，因為程式教學的旁白有大量「專有名詞」和「程式碼片段」。AI 配音在處理這些的時候，常常會把變數名唸成普通英文單字，或者把 print() 唸成「印刷」。
我的解法很笨但有效：在逐字稿裡，把所有程式碼片段改成「你要它唸出來的樣子」。例如 print(“hello”) 改成「print 括號引號 hello 引號括號」，len() 改成「l-e-n 括號括號」。聽起來麻煩，但做完之後我建了一個「程式碼唸法對照表」，之後每一集照表抄就好，效率很高。
另一個坑是「等待時間」。程式執行需要時間，旁白不能一直講——你要留空白讓學生看螢幕。我的做法是在每段程式碼執行的畫面前留三到五秒的安靜，旁白在畫面切回來之後才繼續。這樣學生有時間消化，節奏也不會太趕。
三個共同的坑
三種課程做完，我歸納出三個所有人都會踩的坑。
第一，逐字稿不是旁白稿。講師的書面稿直接丟給 AI 配，聽起來一定會怪。一定要做「口語化」處理——把長句拆短、把書面詞換成口語詞、把所有聽眾看不到的東西（圖表、畫面動作）用文字描述出來。這個步驟大概佔整個流程百分之四十的時間，但不做這步，後面的品質全打折。
第二，不要一次配完。我一開始的流程是：收到全部逐字稿，一口氣配完三十集。後來發現錯誤率很高——前幾集踩的坑，到第十幾集才發現，後面的要全部重做。現在我改成：先配三集，跟講師確認品質，調整完之後再批量做。前面多花一天確認，後面少浪費三天重工。
第三，留修改空間。課程一定會改。如果第一版就全部用最好的聲音和最高的設定，之後升級就沒有空間了。我的做法是第一版用中等設定，確認內容正確之後再拉高品質重新生成——反正 AI 改稿的成本是零。
講師最常問的三個問題
「學生聽得出來是 AI 嗎？」我幫三個講師做過盲測：把 AI 配音的課程片段放給十個不知情的人聽，問他們「這是真人錄的還是 AI？」結果只有兩個人猜對，而且他們的理由是「太穩了，真人不會每一句都這麼穩」。資訊型課程，AI 配音目前完全夠用。
「之後改內容方便嗎？」這題最好答。改稿之後重新生成，音色完全一致，學生甚至不會發現你改過。真人重錄反而更容易被聽出來——因為前後兩次錄音的狀態不可能完全一樣。
「成本差多少？」以三十個單元、每集十五分鐘來算，真人配音的行情大約是每集兩千到五千元起跳，整門課的配音費用六萬到十五萬。AI 配音的月費方案，成本大概是真人的十分之一不到。差距很大，但前提是你的課程是「資訊型」——如果需要大量情緒表演的課程（例如演講訓練、聲音表達），我還是建議找真人。
給想用 AI 做課程的人
先做三集就好。收到逐字稿，口語化處理，配三集，拿給三個人聽。他們覺得 OK，再繼續做。這三集的投入，能幫你避開百分之八十的後續問題。
還有一個省時的做法：先用 AI 配完全部內容，確認內容無誤之後，最後再把開場和結尾那幾句用自己的聲音錄。這樣整門課有「人的溫度」在頭尾，中間是穩定的 AI 配音，學生的體驗是最好的。
想實際體驗 AI 配音在課程裡的效果，可以把你的逐字稿貼一段到 Soundwaver 的 Demo，選一個適合長篇內容的聲音配一次。聽完你就知道，這件事的門檻比你想的低太多了。
