同一個 TTS 引擎，為什麼有人用起來像真人，有人用起來像提款機在報帳？
我以前也以為是聲音模型的鍋。直到我把自己寫給客戶的稿，和客戶自己改過的版本丟進同一個引擎，聽完才懂：工具只負責唸，稿子決定它像不像人。
口語稿跟書面稿是兩種文體，就像菜譜和散文不能互換。你不能把一篇漂亮的部落格文章丟進 TTS 就期待它自然——那等於要一個演員照著說明書演哭戲。
這篇是我實際做了一年多旁白之後，濃縮出來的 8 條規則。每條都附修改前後對照，可以直接套。
規則一：一句話，一個呼吸
人講話是有換氣點的。超過二十個字還沒停，聽的人就會開始替你擔心。
反例：「我們的產品支援多平台同步而且資料加密傳輸讓你在任何裝置上都能安心使用。」（一坨，聽到最後不知道重點在哪）
改法：「我們的產品支援多平台同步。而且資料是加密的——你在任何裝置上都能安心使用。」
拆成兩句，重點自己浮出來。AI 也一樣：句子短，斷句乾淨，語調才有起伏的空間。
規則二：先講結論，再講理由
廣播節目有一句老話：先給答案，再給故事。聽眾的注意力是租的，不是買的，你有三十秒。
「我們這次改版，速度快了三倍。」——先這樣講，再解釋怎麼做到的。 不要：「經過團隊六個月的努力，歷經三次架構調整，我們終於——」觀眾早滑走了。
這條規則同時解決另一個問題：TTS 唸長鋪陳句的時候，語氣會一路往下掉，等到結論出來，聲音已經沒電了。結論放前面，語氣從高處開始。
規則三：把形容詞砍一半
書面語靠形容詞撐氣勢，口語靠具體名詞。「非常非常好吃的美食」唸出來是空的，「咬下去會噴汁的牛肉漢堡」唸出來有畫面。
我自己的作法：初稿寫完，搜尋「非常」「真的」「超級」，全部刪掉再看一次。通常刪完，句子不但沒變弱，反而變快了。聽眾的耳朵不數形容詞，只會記住畫面。
規則四：標點是情緒的遙控器
這條是全篇最重要的一句：AI 不懂你的情緒，但它會執行你的標點。
- 感嘆號 = 加能量
- 省略號 = 放慢、留白（但別連用兩個以上，會像沒電）
- 破折號 = 轉折、欲言又止
- 句號 = 乾淨收束
- 逗號 = 續著講，不要停太久
所以與其在稿子旁邊寫「（用開心的語氣）」，不如直接把語氣改寫進標點裡。前者的 AI 會忽略你，後者的 AI 會照做。
規則五：數字全部寫成中文明
「3.5 萬」「第 12 集」「2026 年 9 月」——這些是翻車高發區。前面那篇翻車圖鑑講過原理，這裡只記結論：稿子是給耳朵的，耳朵要的是「唸好的字」，不是「顯示的字」。
金額寫「三萬五千」，年份看語境寫「二零二六」或「兩千零二十六」，日期寫「九月二十一號」。寫完花三十秒，省掉重錄三分鐘。
規則六：開頭三秒丟鉤子
不管做課程、做行銷、做 Podcast，第一句決定觀眾走不走。而 TTS 特別殘酷——它的第一句通常語調最平，因為模型還沒抓到整段的情緒基準線。
解法：第一句永遠短，而且永遠有懸念。
差：「這支影片我們要來介紹三個關於時間管理的技巧。」 好：「你今天拖延的第一件事，是什麼？」
後者一出來，耳朵會自己往前傾。這不是文案技巧，這是生存技巧。
規則七：念起來彆扭的，就一定聽起來彆扭
最古老也最有效的檢查法：自己唸一次。
嘴巴會在特定地方卡住——太長的專有名詞、連續的同音字、唸了三次的「的」。你卡住的地方，AI 會用平滑的方式滑過去，那種「滑過去」正是機器感的來源。
我的習慣是：唸到哪裡停頓不自然，就地改寫，不硬拗。改到自己能一口氣唸完為止。這條規則沒有捷徑，但它淘汰的問題比其他七條加起來還多。
規則八：給聲音留「呼吸位」
純文字沒有空間感。真人錄音會自然地停頓、吸氣、放慢，AI 需要你用文字替它標出這些位置。
三個具體作法：
- 笑點或重點前，用句號製造 0.3 秒的空。
- 段落之間不要接太緊，寧可多一個句號。
- 重要名詞第一次出現時，前後各留一個空拍的語氣（通常用逗號達成）。
這條規則做的是「把剪輯思維寫進稿子裡」。做到的人，成品幾乎聽不出是合成的。
稿子寫對，工具就對了
這八條換算成一句話就是：用嘴巴寫，不用眼睛寫。
你的眼睛什麼都讀得懂，所以會放過那些唸起來很慘的句子。嘴巴不會騙人。下次交稿前，張嘴唸一遍——這一個動作，比換十個 TTS 工具都有用。
我見過太多人卡在「工具不夠好」的想像裡，下單更貴的方案、換更新的模型，稿子卻還是書面語長篇大論。結果引擎升級了三次，聽感還停在第一代。
反過來，我有一個客戶只做了這件事：把所有稿子照這八條重寫。同引擎、同聲音，留言區第一次出現「這配音是真人嗎」。工具沒變，稿變了。
所以，與其問「哪個 TTS 最像人」，不如先問自己：「我給它的稿，像人講的話嗎？」
