产品视频本地化最常见的翻车方式，是把中文脚本机翻一遍直接生成：英文版比画面长出好几秒，西语版把型号念成另一串字符，语气也不像同一个品牌。根源不在语音生成，而在把四件事当成了一件事。同一条产品视频配多语言音轨，实际是四个分开处理的工作：先整理一份可以本地化的源脚本，再为每种语言准备口语化版本，然后分别选择对应语言的音色，最后按各音轨的实测时长适配画面。PixMind 的文字转语音负责其中一环：把每种语言的定稿文本变成 MP3；翻译和审校在进入工具之前完成。
打开文字转语音，把每种语言的定稿文本逐段粘贴进去，逐段生成、逐段下载。
核心结论
- 四个动作分开做：源脚本整理、每语言口语化版本、按语言选音色、按实测时长适配画面。
- 文字转语音只朗读输入的文本，不做翻译；每种语言的定稿在工具外的翻译与审校流程完成。
- 音色按语言分别挑选，发音准确和品牌语气合适优先，不要求不同语言是同一个声音。
- 页面一次只保留一段结果；下载的 MP3 以 pixmind-tts- 开头，按语言与版本重命名后归档。
先整理可以本地化的源脚本
源脚本不是“中文台词”，而是所有语言版本的母本：整理一次，翻译、审校和配音都从同一份材料出发，后期返工才少。
整理的核心动作是分栏：把“可翻译文本”和“应保持一致的品牌用语”拆开。产品名、型号、口号、公司名属于后者，先固定它们在每个语言版本里的写法——是保留原文、音译还是本地化转写，定下来之后所有段落照此执行。型号里的字母数字组合尤其要写死：同一个型号在各语言版本里按同一种写法输入，避免不同音色各自发挥，念出好几种花样。
可翻译文本按镜头分段。产品视频的旁白本来就短，按开场、演示、结尾切开后，每段正好对应一个画面窗口，这也是后面生成和字幕的骨架。单次生成有字符上限——未登录和免费套餐每次 100 字符，付费会员 10000——按镜头拆出的段落通常远低于上限。
整理完的源脚本是一张表，每行包含镜头内容、画面时长、固定用语、可翻译文本。这张表同时是译文审校和字幕制作的底稿。
为每种语言准备口语化版本
先把边界说清楚：文字转语音页面只处理你输入的文本，不会替你翻译。每种语言的版本，要在自己的文本准备流程里完成翻译和审校，定稿之后再进入语音工具。
直译稿通常不能直接用。以一条产品开场的英文版为例：
- 直译版：“This cup can complete the juicing of fruit within thirty seconds, and it is also very easy to clean.”
- 口语版：“Fresh juice in thirty seconds. Cleanup? Just rinse it.”
直译版语法没错，但它是从中文长句逐字翻过来的，一口气念完没有停顿，也不像母语广告的口吻。口语版换成两个短句，中间用问句制造一次停顿，节奏更容易对上画面。每种语言都要过这一步：让懂该语言的人把直译稿改成“说出来的话”，顺手处理数字读法、单位换算和称谓习惯。
审校完成的定稿粘进文本框就能生成，工具里不再承担改稿任务。分工因此清楚：文本问题回审校流程改，只有发音和时长问题才在工具里调。
分别选择对应语言的音色
每种语言在音色目录里单独挑，不存在一套音色通吃所有语言。打开“选择音色”弹窗，先在顶部切换引擎，再用“语言”下拉筛选目标语言——语言选项来自当前引擎的音色目录，换引擎后随之变化。鼠标移到音色卡上可直接试听样例。
多语言场景的判断标准有三条。第一，口音贴合目标市场：同为西班牙语，拉美和西班牙的听感不同，筛选和试听时要留意。第二，重点听产品名、型号和数字的发音，用带产品名的句子去试，比只听样例可靠。第三，品牌语气各语言对齐：中文版明快，英文版就别选低沉缓慢的声音。
不要求不同语言是同一个说话人。中文用女声、英文用男声完全成立，只要各语言的语气指向同一个品牌。跨语言追求“完全相同的一把声音”，容易在各语言里牺牲发音质量，这本来就不是多语言配音的标准。
每种语言定下一个音色后记录下来：引擎、音色名。同一语言的所有段落都用这一个音色，中途不换。
处理不同语言的长度差异
同一句旁白，不同语言的译文长度天然不同：这种语言五秒说得完，那种语言要七秒。同一个画面窗口因此长短不一，这是多语言配音和单语言配音最大的差别。
处理顺序是先测、再改脚本、最后动语速：
- 逐语言生成各段，用播放条显示的总时长做记录，把每种语言的每一段连同画面时长一起记进源脚本表。
- 某个语言版本比画面长，先改脚本：删掉可听可不听的修饰，拆长句，用标点控制停顿。改文案省下的是多余的负担，该说清的信息一个不删，比调语速更有效。
- 脚本改到最简还差一点，再动语速做小幅适配。语速滑条的范围因引擎而异，切换引擎时参数还会重置为默认值——每种语言用的音色多半来自不同引擎，调好的语速要记在源脚本表上，逐段生成时照着恢复。
底线是产品展示的关键动作不为压时长让路：拧盖、按键、成品特写这类演示画面，宁可删旁白、让语速保持自然，也不压到吞字、不剪动作镜头。某句旁白实在放不下，让它落到下一个镜头，比硬挤进这一段自然。
页面一次只保留一段结果，多语言多段落的正确做法就是逐段生成、逐段下载、逐段记录，不要指望一次拿到全部音轨。
导出音轨并整理版本文件
点击下载得到的 MP3，文件名以 pixmind-tts- 开头，后接生成时间的时间戳。多种语言、多个段落下载下来，靠时间戳分不清哪段是哪段，所以要立刻按语言与版本重命名，例如：
- 音轨：
product-demo_zh_opening_v2.mp3、product-demo_en_opening_v2.mp3 - 字幕：
product-demo_zh_v2.srt、product-demo_en_v2.srt
命名规则只要固定就有效：项目、语言码、段落、版本号，团队约定一致即可。
音轨合入视频在外部剪辑软件里完成，用什么软件都可以，每种语言重复同一套流程：
- 为每种语言复制一份时间线（或新建工程），导入画面和该语言的全部音轨。
- 按源脚本表把每段旁白对齐画面，重点检查关键动作处旁白是否压点。
- 整条连听一次，音量和节奏衔接没问题后，导出该语言版本的成片。
字幕各语言分别制作，而且要以每种语言定稿成片的实际声音为准，不要拿源脚本当字幕——译文改过、停顿调过、语速适配过，时间轴早就对不上了。用视频转 SRT从各语言成片分别生成字幕，拿到文件后再回剪辑软件过一遍专名和断句。
常见问题
工具会自动翻译我输入的脚本吗？
不会。文字转语音只朗读你输入的文本，语言版本要在工具外的翻译与审校流程准备完成，定稿后再粘贴进去生成。工具里能调的是音色、语速、音量，不改动文字本身。
不同语言能保持完全相同的声音吗？
不要求，也通常做不到发音和语气同时最优。音色按语言分别选择，语言下拉来自各引擎自己的音色目录，不同语言用不同音色很正常。判断标准是发音准确和品牌语气一致，而不是“听出是同一个人”。
同一画面时长放不下翻译后的旁白怎么办？
按顺序处理：先删脚本里的修饰成分、调整停顿；仍然差一点，再用语速小幅补齐；还是放不下，就让这句旁白落到下一个镜头，或为该语言版本微调画面节奏。产品演示的关键动作不要为此删减。
从两个语言版本的开场开始
不必一次做完整条片子。挑开场一段：整理固定用语和可翻译文本，做出两种语言的口语化版本，分别选好对应语言的音色，各生成一条音轨，对比两条的实测时长和画面窗口。跑通这一段，剩下的段落和语言只是重复同一个循环。
