← 我的文章
我一开始也以为是音色问题：换模型、换声音、调语速，试了一整圈，还是假。后来把生成的音频和自己的录音放在一起对比，发现差别根本不在音色上。
假在哪：不是声音，是呼吸
人说话会在语义结束的地方换气，而且换气的位置和长度是有变化的。机器只认标点符号，一个逗号停一样长，一个句号停一样长，听起来就像在念稿——因为它确实在念稿。
标点是给气口看的，不是给眼睛看的
这是我最重要的一次认知转变。写稿的时候我们在意的是「读起来通不通顺」，但配音需要的是「停在哪里不难听」。
所以给配音稿加标点时，标准不是语法，是呼吸：
- 一句话超过 20 个字，中间一定补一个停顿
- 数字、专有名词前后各留一个短停，给它「看清楚」的时间
- 该重读的词前面加停顿，比加重语气更自然
三个立刻能用的改法
一、把长句拆短。书面语喜欢用「……的……的……」，念出来会喘不上气。拆成两三个短句，机器立刻像人在说话。
二、数字写成读法。「2026」写成「二零二六」，「108」写成「一百零八」。不写它会读错，读错一次整段都废。
三、情绪靠停顿，不靠感叹号。加感叹号只会让它变大声，加停顿才会让它变认真。
试听要闭眼听
最后一个习惯：不要看着稿子试听。闭眼听，如果有一句话让你「出戏」了，那就是断句有问题，回去改标点，不要改音色。
音色决定它像不像这个人，断句决定它像不像人在说话。后者才是「假」的来源。