最近我注意到一個(gè)趨勢(shì)：各大短視頻平臺(tái)上，AI 生成的內(nèi)容慢慢多了起來(lái)，而且其中有很多創(chuàng)意不錯(cuò)的內(nèi)容，點(diǎn)贊和評(píng)論數(shù)據(jù)都很好。用 AI 來(lái)去制作一些之前沒(méi)辦法實(shí)現(xiàn)，或者實(shí)現(xiàn)成本很高的內(nèi)容，我感覺(jué)這里面是有機(jī)會(huì)的。

上個(gè)月，我曾經(jīng)做過(guò)一個(gè) Demo，思路是利用最新的 AI 工具，通過(guò)視頻的方式來(lái)重新演繹中國(guó)歷史上那些經(jīng)典老故事，比如女?huà)z補(bǔ)天、牛郎織女、岳飛抗金、花木蘭替父從軍、貍貓換太子、穆桂英掛帥、梁山伯與祝英臺(tái)。

今年，AI 在多模態(tài)方面取得了十足的進(jìn)展。我判斷做這事的時(shí)機(jī)到了。視頻不難做，目前行業(yè)內(nèi)有不少的視頻模型，生成的效果基本能夠?qū)崿F(xiàn)我剛剛提到的構(gòu)想。但視頻畫(huà)面只是一部分，完整的視頻還包括貼切的配音。

那次和團(tuán)隊(duì)熬夜做完視頻后，我發(fā)現(xiàn)在國(guó)內(nèi)外比較難找到好的 AI 音頻類(lèi)產(chǎn)品。

ElevenLabs 是全球知名的 AI 音頻創(chuàng)業(yè)公司，但測(cè)試后，我們發(fā)現(xiàn)它在中文方面的表現(xiàn)實(shí)在難以令人滿(mǎn)意，它對(duì)中文語(yǔ)義的理解比較弱，而且在很多字句上，機(jī)器味比較明顯。折騰半天，結(jié)果很讓人失望。

昨天，我和團(tuán)隊(duì)無(wú)意間發(fā)現(xiàn)了一個(gè)國(guó)產(chǎn)寶藏產(chǎn)品，MiniMax 語(yǔ)音。下面是鏈接：https://www.minimaxi.com/audio

說(shuō)起來(lái)有點(diǎn)慚愧，MiniMax 的視頻生成和通用 Agent 我一直在用，但音頻生成產(chǎn)品還真沒(méi)怎么注意過(guò)。六月時(shí)，MiniMax 發(fā)布了新一代語(yǔ)音大模型 Speech-02，最大的亮點(diǎn)就是語(yǔ)音合成效果接近真人，而且還能還原停頓、重音強(qiáng)調(diào)等表達(dá)細(xì)節(jié)。

這個(gè)模型曾經(jīng)拿下 Artificial Arena 和 Huggingface 的榜單第一，語(yǔ)音相似度（SIM）在各種語(yǔ)言中表現(xiàn)都不錯(cuò)，尤其是在中文、粵語(yǔ)、日語(yǔ)這些亞洲語(yǔ)言上，準(zhǔn)確率和表現(xiàn)直接把 ElevenLabs 甩開(kāi)了一大截。

今天，我想繼續(xù)來(lái)完善 AI 視頻案例。用 MiniMax語(yǔ)音的音頻能力，給我的花木蘭視頻，配上合適的音頻。

《木蘭辭》大家肯定耳熟能詳，現(xiàn)在我兒子都倒背如流。這首詩(shī)確實(shí)寫(xiě)得好，很容易讓人記住。但讓 AI 來(lái)朗誦并沒(méi)那么簡(jiǎn)單。因?yàn)槟咎m辭全詩(shī)中，不同部分表達(dá)的情緒是不一樣的。

比如開(kāi)頭幾句，主要是寫(xiě)木蘭在家織布，聽(tīng)到征兵的消息后，內(nèi)心焦急、憂愁、思慮父親年老，決心代父從軍。如果朗讀的話，應(yīng)該表現(xiàn)出來(lái)花木蘭的憂愁和勇氣。

緊接著是從軍準(zhǔn)備，描寫(xiě)木蘭買(mǎi)馬、備鞍、辭別家人。這一段既有出征的決絕，也帶著告別親人的柔情。情感比較復(fù)雜，需要表達(dá)出她的眷戀。

再后面是沙場(chǎng)征戰(zhàn)，這里寫(xiě)木蘭在軍隊(duì)中的艱苦、跋涉、奮戰(zhàn)....總之，不同的內(nèi)容，需要的情感是不一樣的，如果用一個(gè)調(diào)讀下來(lái)，那自然很假。

我們團(tuán)隊(duì)用 MiniMax 語(yǔ)音，僅花了兩個(gè)小時(shí)時(shí)間，完美生成了自己中意的音頻。先給大家聽(tīng)聽(tīng)效果。

你應(yīng)該能感覺(jué)出來(lái)，我按照自己對(duì)這首詩(shī)的理解，讓 AI 來(lái)演繹對(duì)應(yīng)的情感。該眷戀的時(shí)候突出眷戀，該果敢的時(shí)候則突出果敢。至此，我終于找到一款好用的 AI 音頻產(chǎn)品了。

接下來(lái)講講我是怎么做的。

整體來(lái)說(shuō)，分三步。

第一步是音色設(shè)計(jì)。音色，其實(shí)就是聲音給人的第一感覺(jué)，是男是女，是年輕還是成熟，是清亮還是低沉，每個(gè)人說(shuō)話都有自己的底色。

第二步再把內(nèi)容拆分成小段，然后針對(duì)每一段去微調(diào)音色和情緒，讓表達(dá)更貼近內(nèi)容本身。

最后一步就簡(jiǎn)單了，我們用工具把所有的音頻片段拼在一起，形成一條完整的語(yǔ)音。

進(jìn)入 MiniMax 語(yǔ)音主頁(yè)（直接搜索 MiniMax，點(diǎn)擊語(yǔ)音大模型也可以直接進(jìn)入），點(diǎn)擊左側(cè)的“音色設(shè)計(jì)”菜單，可以通過(guò)提示詞來(lái)設(shè)計(jì)自己期望的音色。

如果不知道提示詞怎么寫(xiě)，那也可以直接選擇提示詞輸入框下方的預(yù)定義角色，官方已經(jīng)預(yù)置了一些提示詞模板，我們可以在此基礎(chǔ)上優(yōu)化。

點(diǎn)擊音色生成按鈕后，系統(tǒng)會(huì)直接給出三個(gè)備選的音色。哪個(gè)更貼近自己的預(yù)期，選哪個(gè)就好。

因?yàn)槲业哪繕?biāo)是給《木蘭辭》配音，所以在進(jìn)行音色設(shè)計(jì)時(shí)，我輸入了以下提示詞：

女聲，堅(jiān)定而柔和，堅(jiān)毅中帶溫柔；語(yǔ)氣自然、有力量，充滿(mǎn)忠誠(chéng)與家國(guó)情懷；適合古代英勇女性角色；帶有輕微古風(fēng)韻味，但不過(guò)度夸張；表達(dá)清晰，情感豐富，可傳達(dá)隱忍、果斷與柔情交織的情緒。

最終生成的音色我們可以在音色庫(kù)中找到：

其實(shí)到這一步，音色設(shè)計(jì)就已經(jīng)完成了。接下來(lái)，就要進(jìn)入到最最重要的第二步了。不過(guò)在正式介紹音頻制作過(guò)程前，我先分享幾個(gè)我認(rèn)為 MiniMax 語(yǔ)音很貼心的設(shè)計(jì)細(xì)節(jié)。

第一，MiniMax 語(yǔ)音支持對(duì)句子之間的停頓時(shí)間進(jìn)行精確控制。以前我用其他 AI 工具生成音頻，經(jīng)常遇到 AI 不會(huì)合理分配停頓位置和時(shí)長(zhǎng)，聽(tīng)起來(lái)總覺(jué)得不自然。這事其實(shí)挺麻煩，過(guò)去我們只能靠手動(dòng)剪輯去補(bǔ)救。

而 MiniMax 語(yǔ)音考慮到了這一點(diǎn)，如果我們需要在哪句話后面停頓，只要插入一個(gè)指令就行。舉個(gè)例子，比如我想在某個(gè)詞后停頓 0.8 秒，直接插入 '<#0.8#>' 指令。非常簡(jiǎn)單。

第二，在生成過(guò)程中，它支持對(duì)音色效果和情緒進(jìn)行細(xì)微的調(diào)節(jié)。這一點(diǎn)對(duì)我而言，太有用了。要不然，想讓 AI 通過(guò)一個(gè)音色來(lái)詮釋不同情感的內(nèi)容，挺難。

下面進(jìn)入音頻制作具體過(guò)程。我對(duì)《木蘭辭》進(jìn)行了結(jié)構(gòu)和情緒上的拆分。

全詞大致可以分為七個(gè)部分：開(kāi)頭是平靜的敘述，隨后是看到征兵時(shí)的憂傷，決定替父從軍時(shí)的果斷，出征準(zhǔn)備時(shí)的溫情，沙場(chǎng)征戰(zhàn)時(shí)的激烈與英勇，凱旋歸來(lái)后的釋然與平靜，最后是與家人團(tuán)聚時(shí)的溫馨和自豪。

每一部分的情緒和表達(dá)方式都各不相同，因此我在制作時(shí)也會(huì)針對(duì)不同情感進(jìn)行分段處理。

先來(lái)看第一部分的內(nèi)容：唧唧復(fù)唧唧，木蘭當(dāng)戶(hù)織。不聞機(jī)杼聲，唯聞女嘆息。

這兩句話主要是對(duì)花木蘭日常狀態(tài)的平靜描寫(xiě)，情緒相對(duì)平穩(wěn)。因此在音頻生成時(shí)，我沒(méi)有對(duì)輸出情緒做過(guò)多調(diào)整。但為了讓語(yǔ)音聽(tīng)起來(lái)更自然，我在兩句話之間特意插入了 0.4 秒的停頓（'<#0.4#>'），讓表達(dá)更有層次感。

與此同時(shí)，我還在右側(cè)的調(diào)試臺(tái)，單獨(dú)調(diào)整了音色效果。你看下方界面，有點(diǎn)像美顏軟件調(diào)整一張照片的曝光、鮮明度、亮度等細(xì)節(jié)，我可以調(diào)整聲音效果，讓它更低沉，或者更有力量感。

下面是 MiniMax 語(yǔ)音生成的效果：

作為對(duì)比，我用 ElevenLabs 也做了一次測(cè)試。你一聽(tīng)就能知道差距。

ElevenLabs 好像很多漢字不認(rèn)識(shí)，遇到點(diǎn)生僻字時(shí)就亂了，比如第一句機(jī)杼聲的杼字，它就念錯(cuò)了。而且它整體的表達(dá)狀態(tài)不像是純正的中文表達(dá)，中間總是隔了怪怪的一層，說(shuō)不上來(lái)哪里不對(duì)勁。

現(xiàn)在來(lái)看，中文音頻的生成，還得是 MiniMax 語(yǔ)音這種更懂本土文化的產(chǎn)品做得更好。

我繼續(xù)演示下第二部分的音頻生成過(guò)程。第二部分的詩(shī)文內(nèi)容是：?jiǎn)柵嗡?，?wèn)女何所憶。女亦無(wú)所思，女亦無(wú)所憶。昨夜見(jiàn)軍帖，可汗大點(diǎn)兵，軍書(shū)十二卷，卷卷有爺名。

這一段主要描述花木蘭看到征兵告示時(shí)的無(wú)奈。沒(méi)辦法，家里父親老了，木蘭又沒(méi)大哥......她在醞釀一個(gè)重要的人生決定。生成這部分內(nèi)容的音頻時(shí)，我把輸出情緒調(diào)整為“難過(guò)”，并適當(dāng)提升了音調(diào)。

同時(shí)，我還對(duì)音色效果進(jìn)行了相應(yīng)調(diào)整，讓聲音更好地傳達(dá)出花木蘭當(dāng)時(shí)的心境。當(dāng)然，這個(gè)心境也是我的個(gè)人解讀。

做這個(gè)音頻的過(guò)程，還挺有意思，依稀想起小學(xué)還是初中時(shí)，搖頭晃腦背誦詩(shī)文的場(chǎng)景。那時(shí)候哪能理解到花木蘭作為一個(gè)中年人的無(wú)奈和勇敢啊。

最終生成的音頻效果如下：

后續(xù)的各個(gè)部分制作過(guò)程大致相同，我就不一一介紹了。主要邏輯就是根據(jù)內(nèi)容，調(diào)整音色效果、輸出情緒和停頓位置。該輕松的時(shí)候語(yǔ)氣要輕松，該凝重的時(shí)候要凝重。

MiniMax 語(yǔ)音在產(chǎn)品層面已經(jīng)做了非常周全的封裝，沒(méi)什么上手難度，只要有耐心，做出一個(gè) 80 分的音頻其實(shí)不難。

第三步，把剛剛所有分段音頻合并，就能得到完整的音頻。

這次嘗試，我自己還是挺滿(mǎn)意的。像花木蘭這樣的經(jīng)典故事，過(guò)去要一群人合作、花不少精力才能做出來(lái)，現(xiàn)在小團(tuán)隊(duì)，甚至一個(gè)人，也能慢慢還原腦海里的那些畫(huà)面和情緒。

現(xiàn)在注冊(cè) MiniMax 語(yǔ)音官方會(huì)贈(zèng)送 1 萬(wàn)積分。這些積分大約能生成 12 分鐘的音頻，做一整首《木蘭辭》完全沒(méi)問(wèn)題，想嘗鮮的同學(xué)可以試試。

不過(guò)，大家肯定也關(guān)心，長(zhǎng)期使用的話，他們的會(huì)員套餐劃不劃算。我橫向?qū)Ρ攘艘蝗κ忻嫔系囊纛l產(chǎn)品，MiniMax 語(yǔ)音的套餐選擇絕對(duì)是最靈活，性?xún)r(jià)比最高的，沒(méi)有之一。

另外，MiniMax 語(yǔ)音的計(jì)費(fèi)方式也很人性化，想用多少就買(mǎi)多少聲貝（積分），積分有效期還比月度員長(zhǎng)得多。比如最低的 10 萬(wàn)聲貝套餐，也就 20 塊，一頓外賣(mài)的錢(qián)，隨用隨充，非常方便。

反觀 ElevenLabs，得 11 美元，而且只有一個(gè)月有效期。性?xún)r(jià)比高下立判，連老外都說(shuō) MiniMax 更良心。

AI 工具進(jìn)步得很快，很多原本以為麻煩的事情，現(xiàn)在已經(jīng)簡(jiǎn)單到只需要花點(diǎn)時(shí)間摸索就能搞定。

不少好點(diǎn)子，擱在以前都是想想就算了，現(xiàn)在真有機(jī)會(huì)試一試。也許你喜歡歷史，喜歡體育，喜歡地理，喜歡游戲，總之，你肯定有自己喜歡和擅長(zhǎng)的事情，也許可以結(jié)合自己的特點(diǎn)，然后借助 AI 工具，創(chuàng)作一些好的內(nèi)容。