视频怎么加 AI 配音
三种方法给视频加配音：现场录音、上传音频、AI 文字转语音，附脚本、麦克风、对齐与压音技巧。
给视频加配音，实际上有三条路：一边播画面一边现场录音、上传你在别处录好的旁白、或者用一段脚本生成 AI 文字转语音。本文把这三种方法在浏览器里全部讲一遍——无需安装——而且不停在"点一下麦克风按钮"这种大多数工具页说到就打住的层面。真正让配音听起来专业的，是那些手艺活儿：写一段会呼吸的脚本、把麦克风摆到不爆音、让旁白对准剪辑点、再把背景音乐压下去让每个字都清清楚楚。如果你要发到 YouTube、TikTok、Shorts 或 Reels，正是这些手艺，把听起来像"AI 糊弄"的配音，和让观众愿意留下来听的配音区分开来。
核心要点
- 先判断音频任务：提取、清理、分轨、配音和响度统一是不同问题。
- 用能解决问题的最低破坏流程，并在批量前先测一条难素材。
- 去掉音乐或提取音频不等于获得他人画面的使用权。
- 整理好源音频，方便文字稿、字幕、配音和导出都可追溯。
给视频加配音的三种方法
在动手之前，先决定这三种方法里哪一种适合你的视频。它们在时间、可控性、以及你自己声音的参与度上各有取舍。
| 方法 | 适合 | 需要什么 | 主要取舍 |
|---|---|---|---|
| 对着画面现场录 | 反应类、解说类、靠个人风格的频道 | 一支麦克风和安静的房间 | 重录很花时间 |
| 上传录好的音频 | 播客主、手里有录音棚音质的人 | 一段成品 MP3/WAV/M4A | 录和剪要分两步 |
| AI 文字转语音 | 无脸解说、影视解说、教程、多语言 | 一份精炼的脚本 | 不调就很机械 |
大多数创作者都是混着用——无脸解说用 AI 声、个人开场现场录一条。下面的流程对三种都适用，因为剪辑、对齐和混音都发生在音频已经存在之后。
方法一：对着画面现场录配音
一边看素材一边录，是拿到"能对着画面反应"的旁白的最快方式。反应类、解说类、以及任何以你声音为卖点的频道，默认都用这种。
分步操作：
- 打开工程，把播放头拖到旁白该开始的地方。
- 先设好麦克风电平（见下方设置框）——录 10 秒试听，确认没有爆表。
- 播放素材，跟着画面把台词说出来。看着画面能让你的语速保持诚实。
- 说错一句就继续往下，把时间点记下来——重录一小段比整条重来快得多。
- 剪掉开头结尾的空白，再把音频片段轻推一下，让开头那个字落在你正在描述的那一帧上。
能修好八成烂音的麦克风设置：
- 麦克风离嘴 15–25 厘米，略微偏轴，让爆破音（"p" 和 "b"）不至于砰砰响。
- 在你能找到的最小、软装最多的房间里录——塞满衣服的衣柜好过空旷回声大的办公室。
- 把输入电平调到正常说话峰值在 −12 到 −6 dB 之间，绝不碰到 0。
- 关掉风扇、空调和通知。房间底噪事后几乎不可能干净地去掉。
如果现场录出来还是有嘶声、嗡声或底噪忽高忽低，混音前先过一遍降噪——我们那篇如何给视频清理音频讲了处理顺序，免得你处理过头把声音搞得像泡在水里。
方法二：上传录好的配音
如果你已经在别处录过旁白——播客、手机备忘录、专门的 USB 麦克风录制——直接把成品音频拿进工程就行。这样录和剪是干净的两步，比对着粗剪现场说更好控制。
- 把旁白导出成 MP3、WAV 或 M4A。
- 把视频和音频文件上传到同一个浏览器工程里。Recapo 支持 MP4、MOV 和其他常见格式，单个任务最大 6GB，所以长录音和 4K 素材都放得下。
- 把语音轨放到视频下方它自己的一层上。
- 在自然的断句处把旁白切开，方便你把每一段滑动到对准画面——完整对齐步骤在下一节。
- 位置锁定后，从语音轨生成字幕，静音也能读到内容。
最后这步比听起来重要——信息流里有相当一部分播放是静音状态，屏幕文字是保住信息不丢的关键。用自动字幕转写配音、烧录出干净且同步的字幕；如果你刚接触字幕，如何给视频加字幕讲了样式和时间轴。
方法三：生成 AI 文字转语音配音
AI 文字转语音是无脸频道、影视解说和教程的主力——这些场景你没法或不想自己录。你粘贴脚本、选一个声音，就能得到一条干净的旁白轨——不用麦克风、不用重录、没有房间噪音。代价是原始 TTS 不调就很机械，而这恰好是下一节要解决的。
基本流程：
- 把脚本写进或粘贴到配音生成器。句子短一点——TTS 照标点直读，长句一口气念完会喘不过气。
- 选一个符合你频道调性的声音。定下来之前，用同一段话试听两三个；同一份脚本，换个声音可能温暖、也可能冷冰冰。
- 生成整条，从头听到尾，抓出任何念错的字。
- 在脚本层面改掉念错的词（见下文），只重新生成那一句，再放进时间轴。
- 用同一份脚本生成字幕，让文字和音频步调一致。
如果你是围绕脚本来做的——把文章、解说稿或摘要变成有旁白的视频——走文字转语音视频这条路能让脚本和声音待在一起，Recapo 还能在你生成声音之前，从源视频里帮你起草摘要和脚本。想搭一套完整的无脸流程，如何做无脸视频展示了配音、字幕和画面怎么拼成一个能发布的频道格式。
让 AI 配音像人的三个参数
这是工具页会跳过的部分。拿到自然的 AI 配音，归根结底是控制三样东西：语速、停顿、发音。把这三样调好，九成的"机器人嗓"问题就消失了。
1. 语速（说话速率）。 默认 TTS 念旁白往往偏快。解说和教程需要观众消化信息，就调慢一格；高能量的影视解说可以保持轻快。先自己掐着表把脚本读一遍——如果你自己都没法在那个速度下舒服地念完，AI 也不该。
2. 停顿（断句）。 TTS 靠标点停顿，所以标点就是你的节奏工具。想要一个真正的停顿时用句号，别用逗号。把一个长句拆成两个短句就多一次换气。单独一个换行或省略号，能在包袱或转场前买到一个更长的停顿。
3. 发音（多音/歧义词）。 中文和英文都有一堆会被 AI 猜错的字：中文里的"重"（chóng/zhòng）、"行"（xíng/háng）、"长"（cháng/zhǎng）、"当"（dāng/dàng）、数字和品牌名也会翻车。两个办法：
| 问题词类型 | 例子 | 解法 |
|---|---|---|
| 多音字 | "重"（重复 / 重量） | 换个说法，或改成不歧义的词 |
| 缩写/字母 | "SQL"、"GIF" | 按你想要的读法写出来 |
| 数字/日期 | "1990 年代"、"150 万" | 写成"一九九零年代""一百五十万" |
| 品牌名 | 任何不常见的拼写 | 按发音拼出来并试听 |
只重新生成改过的那一句，别整条重来——更快，也能保住其余部分的节奏不变。
怎么让旁白对准剪辑点
无论你用哪种方法，对齐都是让旁白显得"有意为之"而非"贴上去的"关键。目标是：观众听到某个词时，正好看到那个词描述的东西。
- 锚定开场句。 把语音片段滑到让开场那个字落在开场镜头上，不是落在它前面。
- 照字幕来剪。 如果你生成了字幕，把它们当视觉标记——每一块字幕都精确显示一句话从哪开始，你就能把素材剪到踩上这些点。
- 对短语，别对秒数。 当你说"然后它就坏了"，切到坏掉那东西的画面应该落在"坏了"上。移动画面，别移音频，来对齐它们。
- 转场处留一拍静音。 新段落前空四分之一秒，听感上就像一个自然的分段。
- 闭着眼睛全速看一遍，再静音看一遍。 如果两种方式都成立——只听声音、只看画面——你的对齐就稳了。
短视频尤其如此——节奏没有漂移的余地。如果你顺手要把横屏素材改成竖屏，竖屏改尺寸这一步放在对齐之后做，免得旁白的时间轴又跟着移位。
压音乐、调电平，让每个字都清楚
配音跟满音量的音乐抢，是旁白听起来发糊最常见的原因。"压音（ducking）"就是在人声说话时自动把音乐调低，说话的空隙里再抬回来。
要瞄准的电平目标：
- 人声在最上面，是最响的元素——把它当作你的基准。
- 背景音乐：旁白播放时压到人声下方大约 15–20 dB。它应该被感觉到，而不是被听到。
- 在句子之间的静音空隙里，让音乐抬回来，别让它像突然消失了。
- 音效：短促有力，绝不在说话下面持续拖着。
一个简单的混音顺序：
- 先单独把人声电平调对。
- 加音乐，往下压到你能听清旁白每一个辅音为止。
- 最后用手机扬声器听一遍，别用耳机——你的观众大多在用手机，发糊的中频在那儿暴露得最明显。
如果你选的音乐带人声、或某一段老是跟旁白打架，往往直接抽掉更省事——见如何去掉视频里的音乐，再换一段更干净的器乐垫底重新搭。
按使用场景配音
同样的工具服务于差别很大的格式。以下是最常见三类的做法。
- 解说和影视解说视频。 脚本优先。先把整段旁白写好，生成 AI 声音，再把画面剪来对——你是拿画面去对声音，而不是反过来。从源视频起草的摘要和脚本，给你一份可以删改的初稿，而不是一张白纸。
- 口播和个人配音。 现场录，让你的个人风格传出去，然后清理音频、加字幕。别把声音处理得太过、弄成假的。
- 教程和 how-to。 语速就是一切——观众会暂停、会回放，所以略慢、断句清楚的 AI 声，胜过又快又高能的读法。把每一步的旁白都对准屏幕上的确切动作。
无论哪种格式，都把配音、字幕和改尺寸当作一遍来做，让时间轴在导出前就锁在一起。
常见问题
怎么免费在线给视频加配音？ 用浏览器版编辑器，什么都不用装。上传视频，然后要么当场录旁白、要么放进一段录好的文件、要么用脚本生成 AI 声音——都在同一个工程里。Recapo 的价格详情在定价页上；流程本身完全在你的浏览器里跑。
我能直接对着视频录配音吗？ 可以。拖到起始点，设好麦克风电平，播放素材，跟着画面把台词说出来。边说边看画面，能让你的语速对上剪辑点。之后剪掉开头结尾，让开头那个字落在正确的镜头上。
我的 AI 配音为什么听起来很机械？ 几乎总是三件事之一：念得太快、忽略了你要的停顿、或把某个歧义词念错了。语速调慢一格，想要真正停顿的地方用句号而非逗号，在脚本层面修好多音字、缩写和数字，然后只重新生成那一句。
怎么不让音乐盖住旁白？ 压音乐——旁白播放时把它压到人声下方大约 15–20 dB，空隙里再抬回来。先把人声电平定好，再把音乐抬到刚好还能听清每一个辅音。器乐比带人声的曲子压得干净得多。
已经有配音了，还需要加字幕吗？ 需要。信息流里有相当一部分播放是静音的，字幕能给静音观众保住信息，也给所有人加深印象。用同一份脚本或语音轨生成字幕，让文字和音频完全同步。
开始给你的视频加配音
无论你是现场录、上传成品、还是用脚本生成 AI 声，整个过程都在你的浏览器里跑——旁白、字幕、对齐和导出在一处，单个任务最大 6GB。挑一个适合你视频的方法，调好语速、停顿和发音，压下音乐，发出去。免费注册 Recapo 账号，今天就给你的下一个视频加上配音。
