要錄一段乾淨的配音，需要一支像樣的麥克風、一個安靜的房間——而且如果在 3 分鐘的腳本唸到一半出錯，還得有耐心重來。文字轉語音省去了這一切：輸入腳本、選擇音色，幾秒鐘內就能拿到一個 MP3 檔案。
文字轉語音引擎如何運作
RapidVideoMaker 的 text_to_mp3 模式使用 edge-tts，跟微軟「朗讀」功能背後的神經網路語音引擎相同。跟舊式生硬的語音合成不同，這些是神經網路音色——能自然處理語速、語調，並在標點符號處適當停頓，這正是「一聽就知道是機器」和「自然到可以直接發布」之間的差別。
你可以產生什麼
- 文字：每次請求最多 5000 個字元（大約 800–1000 個英文單字，幾分鐘的語音長度）
- 20 種語言、共 48 種音色，每種語言提供 2 到 3 種音色（男聲／女聲，部分還有地區口音區分——例如美式與英式英語，歐洲葡萄牙語與巴西葡萄牙語）
- 「慢速」選項，將語速降低 25%，適合教學或語言學習類內容
- 輸出：一個可直接使用的 MP3 檔案——不需要影片，你也可以直接把它匯入自己的剪輯軟體
如何用 RapidVideoMaker 產生配音
- 打開「文字轉 MP3」分頁，輸入或貼上你的腳本（最多 5000 個字元）。
- 選擇一種語言，再選擇具體的音色——產生前可以先試聽每種音色。
- 需要更從容的語速時，可以開啟「慢速」選項。
- 產生。MP3 檔案立刻就能下載。
同樣的產生功能也能透過API 文件以 text_to_mp3 模式呼叫——傳送 text、lang（或指定的 voice ID），完全不需要上傳任何檔案。這讓批次自動化產生配音變得很容易，例如根據一份腳本表格，為多支商品短片批次產生旁白。
把文字轉語音跟圖片轉影片搭配使用
一個常見的工作流程：先用 text_to_mp3 依腳本產生配音，再把這個 MP3 輸入 image_to_video，搭配一張圖片，產生一支帶動畫文字的旁白影片——完全不需要攝影機或實地錄製。
幾個實用小技巧
- 短句和清楚的標點符號，會比一整段沒有斷句的長文字節奏更自然——引擎會在句號和逗號處停頓。
- 如果腳本需要格外清楚（教學、操作說明），「慢速」選項會犧牲一點自然度來換取更好的理解度。
- 在決定使用長腳本之前，先用一小段樣本試聽某個音色——同一語言底下 2 到 3 種音色之間的口音和語氣差異可能相當明顯。
常見問題
有字元數限制嗎？
有，每次請求最多 5000 個字元。如果腳本更長，可以拆成多次請求，再把產生出來的多個 MP3 接在一起，或是直接用 RapidVideoMaker 的音訊工具合併它們。
如果我不選擇特定音色會怎樣？
系統會自動使用你所選語言中第一個可用的音色。
產生的語音可以用於商業用途嗎？
這些音色來自微軟 edge-tts 神經網路引擎；如果你打算把音訊用在自己影片內容以外的地方重新散布，請查閱微軟針對你實際使用情境的相關條款。