給短影片配旁白，最常見的問題不是沒有聲音，而是聲音和畫面對不上：旁白還在唸上一句，畫面已經切到下一個鏡頭；或者畫面停在產品特寫上，旁白早就結束了。配音的正確順序是反過來：先看畫面怎麼剪，再決定每段旁白說什麼、說多久。PixMind 的文字轉語音可以把每段腳本變成 MP3，而旁白與畫面能不能咬合，取決於動筆前的拆分功課。
打開文字轉語音，把剪好的短片放在手邊，每段旁白單獨生成、單獨下載，再放進剪輯工具。
核心結論
- 先按畫面段落拆旁白，再寫文字；每段只承擔一個資訊任務，時長以畫面為準。
- 單次生成的字元上限：未登入和免費方案 100 字元，付費會員 10000 字元；頁面一次只保留一段結果，逐段生成、逐段下載。
- 時長以生成結果為準：播放條會顯示每段音訊的總時長，先測一段，再排全片，不用字數換算秒數的公式。
- 旁白合入影片是外部剪輯步驟；字幕在音軌定稿後，用影片轉文字工具從最終成片生成。
先按畫面節奏拆分旁白
配音的第一個動作不是打字，是看畫面。把剪好的短片完整看兩遍：第一遍記鏡頭順序，第二遍跟著畫面默唸，感受每段畫面能容納幾句話，然後按鏡頭功能把片子拆開。
以一條 15 秒左右的產品短片為例，拆成開場、示範、結尾三段：
| 段落 | 畫面內容 | 旁白任務 | 大致時長 |
|---|---|---|---|
| 開場 | 產品落到桌面，鏡頭推近 | 一句話點出這是什麼、給誰用 | 約 3 秒 |
| 示範 | 三個動作鏡頭：裝料、旋蓋、啟動 | 每個動作一句話，說清楚順序 | 約 8 秒 |
| 結尾 | 成品特寫，定格標誌 | 一句話給出行動指引 | 約 3 秒 |
每段的時長來自畫面本身，旁白要填進這個時間區間，而不是讓畫面等旁白。先寫一篇長文再往畫面裡塞，通常只剩硬加速一條路，聽感立刻變差；一篇 300 字的產品介紹唸完的時間，往往已經超過整條短片。
拆段還有一層實際作用：單次生成按字元數設限，未登入和免費方案每次最多 100 字元，付費會員放寬到 10000 字元。按分鏡拆出的每段旁白一般遠低於上限，一段一檔，正好逐段生成。
把文字腳本改成聽得懂的表達
觀眾在短影片裡是聽旁白，不是讀旁白。落到寫法上，兩件事最影響效果。
第一件，刪掉畫面已經說明的資訊。畫面正在示範旋緊杯蓋，旁白不必說「接下來旋緊杯蓋」；鏡頭已經給了成品特寫，旁白也不必複述「可以看到成品很細緻」。旁白只說畫面說不出的東西：名字、用途、動作背後的理由。
第二件，一句一個重點，用標點控制停頓。逗號是短停，句號是換氣；短句比長句容易對上鏡頭切換，也給聽眾留出消化時間。
以示範段為例。初稿：「本產品操作簡單，只需三步即可完成：首先將水果放入杯中，然後旋緊杯蓋，最後按下啟動鍵，幾十秒後即可享用新鮮果汁。」改寫後：「三步搞定。水果放進去，杯蓋旋緊，按鍵啟動。幾十秒，一杯現榨就好。」改寫版刪掉了修飾，多了停頓，每句話正好壓住一個動作鏡頭。
順手把數字和型號寫成希望被唸出來的樣子。「3 步」想聽成「三步」就直接寫國字；型號裡的字母和數字連讀是否自然，以生成結果為準。
試聽後選擇合適的聲音
聲音沒有唯一答案，同一段腳本換一個音色，整條片子的氣質會跟著變。選定方法很直接：用同一段腳本，建議就用開場那一句，分別生成兩個音色的版本，聽完再定。
比較時看兩點。一是內容風格：產品示範通常適合明快俐落的聲音，講解類內容更吃平穩從容的語氣。二是清晰度：重點聽產品名、數字和連讀的地方，哪個音色不吞字、不含糊，比哪個音色好聽更重要。
音色彈窗支援按引擎和語言篩選，把滑鼠移到音色上可以直接試聽範例；範例只能判斷音色氣質，最終以自己腳本的生成結果為準。不必預設某個引擎對所有任務都最好，多試一兩個，幾分鐘就能定下來。
用實測時長調整文字和語速
旁白長短合不合適，靠猜不行，可行的做法是先測一段，再排全片。
生成開場段後，頁面播放條會顯示這段音訊的總時長；點擊下載得到一個以 pixmind-tts- 開頭、帶時間戳的 MP3 檔案，放進本機播放器或剪輯軌道再核對一次。把三段的時長都記下來，和分鏡表上的畫面時長放在一起比較：
- 旁白比畫面長：先刪文案。去掉可聽可不聽的修飾和重複資訊，比調語速更有效，刪掉的是負擔，不是清晰度。
- 還差一點：再小幅調語速。語速範圍因引擎而異，微軟引擎的滑桿是 -100% 到 +100%（預設 0），火山引擎 0.8x 至 2.0x（預設 1.0x），MiniMax 0.5x 至 2.0x（預設 1.0x）。小步調整，每改一次就重新生成、重聽一遍。
- 旁白比畫面短：不一定要慢放填滿。給畫面留一兩秒沒有旁白的時間，常常比句句緊跟效果更好。
這裡不給「多少字等於多少秒」的換算公式，因為這種公式本身不可靠：不同音色的語速基線不同，標點停頓、數字讀法都會改變實際時長，同一句稿子換兩個音色唸，長度就可能差出一截。與其記公式，不如把開場一段測出來，用真實時長做基準。
分段生成還要保持一致性：同一條片子的各段旁白用同一個音色、同一套參數，節奏才連貫。切換引擎時語速和音量會重置為預設值，動手前先記下調好的數值；頁面一次只保留一段結果，生成一段、下載一段，再進行下一段。
在剪輯工具中放入旁白並補字幕
MP3 要在剪輯工具裡才能變成成片，這一步在 PixMind 之外完成，用什麼軟體都可以，通用流程如下：
- 新建專案，匯入畫面和三段旁白 MP3。
- 按分鏡表把每段旁白對齊對應畫面，鏡頭切換處留一點空隙，避免聲音被切點截斷。
- 從頭聽一遍，檢查段落之間的音量和節奏是否連貫。
- 確認後匯出成片。
字幕在這一步之後再做，而且要以最終音軌為準。直接拿腳本文字當字幕，時間軸對不上最終聲音：刪改文案、調整語速之後，每句話的起止點早已變化。做法是把合好旁白的成片交給影片轉 SRT工具，從成片本身生成帶時間碼的字幕檔，再匯回剪輯工具核對專有名詞和斷句。
常見問題
旁白太長先改語速還是改文案？
先改文案。刪掉修飾詞和畫面已經說明的資訊，多數情況就夠了；語速只在刪無可刪時小幅調整，調得過多會讓咬字變得急促、重點變糊。改完重新生成，用播放條上的時長確認效果。
整段生成和分段生成怎樣選？
按畫面段落分。整段長稿受單次字元上限約束，未登入和免費方案每次 100 字元，超出部分無法生成；頁面一次也只保留一段結果，長稿本來就要拆開逐段下載。按分鏡拆段既順應限制，也讓每段時長直接對上畫面，後期只調出問題的那一段。
生成配音後字幕應該在哪一步製作？
在旁白定稿、音軌合入成片之後。字幕時間碼要跟隨最終聲音，用影片轉 SRT 工具從合成後的成片生成，不要用生成前的腳本文字。拿到字幕檔後匯回剪輯工具，核對專有名詞和斷句。
從開場的一句旁白開始
不必等完整腳本。打開你剪好的短片，只寫開場這一段：一句話，說清楚這是什麼、給誰用。把它貼進文字轉語音，生成、試聽、看時長。第一段能立住，剩下的段落只是重複同一個循環。
