AI漫剧配音和音效怎么处理？低成本方案有哪些？

学完这篇，你能用一套几百块以内、甚至零成本的流程，把 AI 漫剧的对白、音效、BGM 三轨做完并混成能直接发布的成品音频。

第一步：先把剧本拆成一张「配音轨台词表」

这一步要做的，是把剧本里所有需要出声的内容列成表，做完你会得到一份可以直接喂给配音工具的清单。

在 Excel 或飞书表格里建这几列：序号、角色名、台词、情绪（平静／愤怒／耳语）、语速（快／中／慢）、时长预估、文件名。文件名统一成 S01_角色名_序号.wav，比如 S01_林昭_007.wav——后面批量导入剪辑软件时，靠文件名就能对上画面。

注意：旁白和角色台词一定要分列，不要混在一起生成。旁白通常语速慢、情绪平，角色要有起伏，混着生成会导致整段语音听起来很平。

第二步：挑配音方案，按预算分三档

这一步是选工具，做完你手里会有一套能出成品音色的方案。

零成本档： 剪映专业版（Windows/Mac 6.x 以上）的「文本朗读」。操作路径：导入视频 → 顶部「文本」→ 新建文本 → 粘贴台词 → 右侧「朗读」→ 在音色列表里选。里面「知性女声」「沉稳男声」「解说小帅」这类音色可以直接用于短剧旁白。缺点是情绪控制弱，适合旁白和配角。

几十块档： 微软 Azure 语音服务的神经网络音色，按字符计费，中文音色如 zh-CN-XiaoxiaoNeural（女）、zh-CN-YunxiNeural（男）。它支持 SSML 标记，可以写 <prosody rate="-10%" pitch="-2st"> 控制语速和音高，情绪能调出「angry」「sad」「cheerful」等风格，是性价比最高的一档。

上百块档： ElevenLabs 或国内的 CosyVoice、Fish Audio，情绪表现力最接近真人，适合主角台词。ElevenLabs 中文按字符计费，短剧建议只给男女主用。

注意：音色克隆必须拿到本人授权。用网上随便找的明星、主播声音做克隆并发布，属于侵权，平台会直接下架。

第三步：批量生成，统一采样率

这一步把台词表批量跑成音频文件，做完你会得到一整个文件夹的 wav。

生成前把所有参数统一：采样率 48000 Hz、单声道、16 bit。Azure 和 ElevenLabs 都支持批量调用，导出后如果是 44100 Hz 或立体声，用 Audacity 3.7 的「文件 → 导出 → 导出为 WAV」重存一次，或者命令行批量转：

ffmpeg -i in.mp3 -ar 48000 -ac 1 -c:a pcm_s16le out.wav

注意：混音阶段最怕采样率不统一，44.1k 和 48k 混在一起会出现音画不同步或爆音。统一成 48k 是硬要求。

第四步：音效从哪来

这一步解决打斗、脚步、转场、环境音，做完你的画面会「有重量」。

免费可商用的来源：Pixabay 音效区、Freesound（筛选 License 为 CC0）、爱给网和耳聆网（注意逐条看授权说明）、YouTube 音频库。剪映专业版左侧「音频 → 音效素材」也够用，搜「拳头」「脚步」「风」「心跳」这类关键词。

环境音铺底建议单独一条轨，音量压到 -30 dB 左右，只做氛围不做主角。

注意：剪映素材库和部分国内音效站点的音频只授权站内使用，导出成品发布到抖音、B 站没问题，但别把音效单独提取再转卖。

第五步：混音，把三轨音量关系定死

这一步统一音量，做完就有能发布的成品。

在剪映或 Audition 里建三条轨：对白、音效、BGM。音量参考值：

• 对白：-12 到 -6 dB，全片最响
• 音效：-18 到 -10 dB，跟画面动作对齐
• BGM：-24 到 -20 dB，有人说话时再压低 6–10 dB

剪映里对 BGM 加「淡入 0.5s / 淡出 1s」，有对白的地方手动拉「音量」关键帧，或者用 Audition 的「效果 → 振幅与压限 → 动态处理」做侧链闪避。

最后做响度归一化：Audition 用「效果 → 振幅与压限 → 响度归一化」，目标 -14 LUFS；Audacity 用「效果 → 响度归一化」，同样填 -14 LUFS，峰值留 -1 dB。

注意：别把音量拉满到 0 dB，一上平台就会被压限器削平，人声会发闷发炸。

小结

• 先出台词表，旁白和角色分开，文件名规范
• 零成本用剪映朗读，进阶用 Azure 神经网络音色 + SSML 调情绪，主角再上 ElevenLabs
• 全流程音频统一 48000 Hz / 单声道 / 16 bit
• 音效走 Pixabay、Freesound 等可商用库，逐条确认授权
• 混音记住对白最响、BGM 压低 6–10 dB、成品 -14 LUFS