產品影片本地化最常見的翻車方式，是把中文腳本機器翻譯一遍直接生成：英文版比畫面長出好幾秒，西語版把型號念成另一串字元，語氣也不像同一個品牌。根源不在語音生成，而在把四件事當成了一件事。同一條產品影片配多語言音軌，實際是四個分開處理的工作：先整理一份可以本地化的來源腳本，再為每種語言準備口語化版本，然後分別選擇對應語言的音色，最後按各音軌的實測時長適配畫面。PixMind 的文字轉語音負責其中一環：把每種語言的定稿文字變成 MP3；翻譯和審校在進入工具之前完成。
打開文字轉語音，把每種語言的定稿文字逐段貼進去，逐段生成、逐段下載。
核心結論
- 四個動作分開做：來源腳本整理、每語言口語化版本、按語言選音色、按實測時長適配畫面。
- 文字轉語音只朗讀輸入的文字，不做翻譯；每種語言的定稿在工具外的翻譯與審校流程完成。
- 音色按語言分別挑選，發音準確和品牌語氣合適優先，不要求不同語言是同一個聲音。
- 頁面一次只保留一段結果；下載的 MP3 以 pixmind-tts- 開頭，按語言與版本重新命名後歸檔。
先整理可以本地化的來源腳本
來源腳本不是「中文台詞」，而是所有語言版本的母本：整理一次，翻譯、審校和配音都從同一份材料出發，後期返工才少。
整理的核心動作是分欄：把「可翻譯文字」和「應保持一致的品牌用語」拆開。產品名、型號、口號、公司名屬於後者，先固定它們在每個語言版本裡的寫法——是保留原文、音譯還是本地化轉寫，定下來之後所有段落照此執行。型號裡的字母數字組合尤其要寫死：同一個型號在各語言版本裡按同一種寫法輸入，避免不同音色各自發揮，念出好幾種花樣。
可翻譯文字按鏡頭分段。產品影片的旁白本來就短，按開場、示範、結尾切開後，每段正好對應一個畫面視窗，這也是後面生成和字幕的骨架。單次生成有字元上限——未登入和免費方案每次 100 字元，付費會員 10000——按鏡頭拆出的段落通常遠低於上限。
整理完的來源腳本是一張表，每行包含鏡頭內容、畫面時長、固定用語、可翻譯文字。這張表同時是譯文審校和字幕製作的底稿。
為每種語言準備口語化版本
先把邊界說清楚：文字轉語音頁面只處理你輸入的文字，不會替你翻譯。每種語言的版本，要在自己的文字準備流程裡完成翻譯和審校，定稿之後再進入語音工具。
直譯稿通常不能直接用。以一條產品開場的英文版為例：
- 直譯版：「This cup can complete the juicing of fruit within thirty seconds, and it is also very easy to clean.」
- 口語版：「Fresh juice in thirty seconds. Cleanup? Just rinse it.」
直譯版文法沒錯，但它是從中文長句逐字翻過來的，一口氣念完沒有停頓，也不像母語廣告的口吻。口語版換成兩個短句，中間用問句製造一次停頓，節奏更容易對上畫面。每種語言都要過這一步：讓懂該語言的人把直譯稿改成「說出來的話」，順手處理數字讀法、單位換算和稱謂習慣。
審校完成的定稿貼進文字框就能生成，工具裡不再承擔改稿任務。分工因此清楚：文字問題回審校流程改，只有發音和時長問題才在工具裡調。
分別選擇對應語言的音色
每種語言在音色目錄裡單獨挑，不存在一套音色通吃所有語言。打開「選擇音色」彈出視窗，先在頂部切換引擎，再用「語言」下拉選單篩選目標語言——語言選項來自目前引擎的音色目錄，換引擎後隨之變化。滑鼠移到音色卡上可直接試聽範例。
多語言場景的判斷標準有三條。第一，口音貼合目標市場：同為西班牙語，拉美和西班牙的聽感不同，篩選和試聽時要留意。第二，重點聽產品名、型號和數字的發音，用帶產品名的句子去試，比只聽範例可靠。第三，品牌語氣各語言對齊：中文版明快，英文版就別選低沉緩慢的聲音。
不要求不同語言是同一個說話人。中文用女聲、英文用男聲完全成立，只要各語言的語氣指向同一個品牌。跨語言追求「完全相同的一把聲音」，容易在各語言裡犧牲發音品質，這本來就不是多語言配音的標準。
每種語言定下一個音色後記錄下來：引擎、音色名。同一語言的所有段落都用這一個音色，中途不換。
處理不同語言的長度差異
同一句旁白，不同語言的譯文長度天然不同：這種語言五秒說得完，那種語言要七秒。同一個畫面視窗因此長短不一，這是多語言配音和單語言配音最大的差別。
處理順序是先測、再改腳本、最後動語速：
- 逐語言生成各段，用播放條顯示的總時長做記錄，把每種語言的每一段連同畫面時長一起記進來源腳本表。
- 某個語言版本比畫面長，先改腳本：刪掉可聽可不聽的修飾，拆長句，用標點控制停頓。改文案省下的是多餘的負擔，該說清楚的資訊一個不刪，比調語速更有效。
- 腳本改到最簡還差一點，再動語速做小幅適配。語速滑桿的範圍因引擎而異，切換引擎時參數還會重置為預設值——每種語言用的音色多半來自不同引擎，調好的語速要記在來源腳本表上，逐段生成時照著恢復。
底線是產品展示的關鍵動作不為壓時長讓路：擰蓋、按鍵、成品特寫這類示範畫面，寧可刪旁白、讓語速保持自然，也不壓到吞字、不剪動作鏡頭。某句旁白實在放不下，讓它落到下一個鏡頭，比硬擠進這一段自然。
頁面一次只保留一段結果，多語言多段落的正確做法就是逐段生成、逐段下載、逐段記錄，不要指望一次拿到全部音軌。
匯出音軌並整理版本檔案
點選下載得到的 MP3，檔名以 pixmind-tts- 開頭，後接生成時間的時間戳。多種語言、多個段落下載下來，靠時間戳分不清哪段是哪段，所以要立刻按語言與版本重新命名，例如：
- 音軌：
product-demo_zh_opening_v2.mp3、product-demo_en_opening_v2.mp3 - 字幕：
product-demo_zh_v2.srt、product-demo_en_v2.srt
命名規則只要固定就有效：專案、語言碼、段落、版本號，團隊約定一致即可。
音軌合入影片在外部剪輯軟體裡完成，用什麼軟體都可以，每種語言重複同一套流程：
- 為每種語言複製一份時間軸（或新建專案），匯入畫面和該語言的全部音軌。
- 按來源腳本表把每段旁白對齊畫面，重點檢查關鍵動作處旁白是否壓點。
- 整條連聽一次，音量和節奏銜接沒問題後，匯出該語言版本的成品影片。
字幕各語言分別製作，而且要以每種語言定稿成片的實際聲音為準，不要拿來源腳本當字幕——譯文改過、停頓調過、語速適配過，時間軸早就對不上了。用影片轉 SRT從各語言成片分別生成字幕，拿到檔案後再回剪輯軟體過一遍專有名詞和斷句。
常見問題
工具會自動翻譯我輸入的腳本嗎？
不會。文字轉語音只朗讀你輸入的文字，語言版本要在工具外的翻譯與審校流程準備完成，定稿後再貼進去生成。工具裡能調的是音色、語速、音量，不改動文字本身。
不同語言能保持完全相同的聲音嗎？
不要求，也通常做不到發音和語氣同時最佳。音色按語言分別選擇，語言下拉選單來自各引擎自己的音色目錄，不同語言用不同音色很正常。判斷標準是發音準確和品牌語氣一致，而不是「聽出是同一個人」。
同一畫面時長放不下翻譯後的旁白怎麼辦？
按順序處理：先刪腳本裡的修飾成分、調整停頓；仍然差一點，再用語速小幅補齊；還是放不下，就讓這句旁白落到下一個鏡頭，或為該語言版本微調畫面節奏。產品示範的關鍵動作不要為此刪減。
從兩個語言版本的開場開始
不必一次做完整條片子。挑開場一段：整理固定用語和可翻譯文字，做出兩種語言的口語化版本，分別選好對應語言的音色，各生成一條音軌，對比兩條的實測時長和畫面視窗。跑通這一段，剩下的段落和語言只是重複同一個循環。
