文本转语音 (TTS)

利用 AI 语音合成技术，将文本转换为自然逼真的音频。

如何生成音频

生成过程很简单：

1. 输入文本： 在输入框中键入或粘贴您的文本。
   注意

   文本输入至关重要。优质的输入能带来优质的输出。

2. 选择语音： 从您的语音列表中选择您想要使用的语音。
   提示

   如果您想要欢快的声音，请选择基于欢快样本克隆的声音；如果您想要特定的方言，请选择基于该方言训练的声音。

3. 调整设置： 配置速度或温度等设置（详情如下）。
4. 生成： 点击“运行”按钮以创建音频文件。

生成模式与场景

最重要的一步是决定是否勾选“启用情感与方言模式”选项。这将改变 AI 解读您文本的方式。

场景 A：富于表现力与角色特质的内容（支持情感表达）

非常适合游戏、动画和有声书等需要丰富情感表达及角色互动的领域。

能力	生成自然逼真的对话，涵盖丰富的情感表达（如笑声、耳语等）。
语言	支持 70 多种语言，包括： 南非荷兰语、阿拉伯语、亚美尼亚语、阿萨姆语、阿塞拜疆语、白俄罗斯语、孟加拉语、波斯尼亚语、保加利亚语、加泰罗尼亚语、宿务语、齐切瓦语、克罗地亚语、捷克语、丹麦语、荷兰语、英语、爱沙尼亚语、菲律宾语、芬兰语、法语、加利西亚语、格鲁吉亚语、德语、希腊语、古吉拉特语、豪萨语、希伯来语、印地语、匈牙利语、冰岛语、印尼语、爱尔兰语、意大利语、日语、爪哇语、卡纳达语、哈萨克语、吉尔吉斯语、韩语、拉脱维亚语、林加拉语、立陶宛语、卢森堡语、马其顿语、马来语、马拉雅拉姆语、普通话、马拉地语、尼泊尔语、挪威语、普什图语、波斯语、波兰语、葡萄牙语、旁遮普语、罗马尼亚语、俄语、塞尔维亚语、信德语、斯洛伐克语、斯洛文尼亚语、索马里语、西班牙语、斯瓦希里语、瑞典语、泰米尔语、泰卢固语、泰语、土耳其语、乌克兰语、乌尔都语、越南语、威尔士语
最大字符数	每次请求 3,000
预计时长	约 3 分钟

场景 B：专业且稳定的内容（已禁用情感表达）

非常适合企业视频、在线学习资料以及需要保持语音质量一致性的场景。

能力	在保持说话者独特特征的同时，呈现一致的音质与个性。
语言	支持 29 种语言： 英语（美国、英国、澳大利亚、加拿大）、日语、中文、德语、印地语、法语（法国、加拿大）、韩语、葡萄牙语（巴西、葡萄牙）、意大利语、西班牙语（西班牙、墨西哥）、印尼语、荷兰语、土耳其语、菲律宾语、波兰语、瑞典语、保加利亚语、罗马尼亚语、阿拉伯语（沙特阿拉伯、阿联酋）、捷克语、希腊语、芬兰语、克罗地亚语、马来语、斯洛伐克语、丹麦语、泰米尔语、乌克兰语、俄语
最大字符数	每次请求 10,000
预计时长	约 10 分钟

掌控声音与表演

提示与情绪控制

当勾选“启用情绪”复选框时：

若要生成富有表现力的内容，您可以通过上下文和特定标签来控制呈现方式：

1. 上下文提示

该模型直接从文本中解读语境。添加诸如“她兴奋地说”之类的描述性文字，或使用感叹号，都会影响语音的情感表达。

2. 音频标签（与语音相关）

在文本中插入这些标签，以控制语音效果。注意：实际效果取决于所选的语音。

类别	标签
笑声	[laughs], [laughs harder], [starts laughing], [wheezing]
耳语	[whispers]
呼吸	[sighs], [exhales]
情绪	[sarcastic], [curious], [excited], [crying], [snorts], [mischievously]

3. 音效

[gunshot], [applause], [clapping], [explosion], [swallows], [gulps]

4. 实验性标签

• 将 X 替换为所需的口音，例如： [strong French accent]
• [sings], [woo], [fart]

5. 标点符号与文本结构

• 省略号 (...)： 增加停顿与分量感
• 大写： 增强了强调
• 标准标点符号： 提供自然的语流节奏

当取消勾选“启用情绪”时

该系统优先考虑稳定性和一致性。

• 语境至关重要： 请顺应句子的自然语流。AI 会完全按照文本内容进行朗读。
• 停顿： 使用诸如……之类的标签 <power/>, <exciting/>
  • 注意： 请勿使用过多标签，否则可能会导致不稳定。
  • 使用时，试着增强表现力和“温度”。
• 标点符号： 使用破折号 (-) 表示短暂停顿，或使用省略号 (…) 表示迟疑的语气。
• 无情感标签： 请勿在此处使用花括号 {} 或音频标签；AI 可能会将其读出或直接忽略。

语音设置（高级控制）

调整这些滑块以微调输出：

1. 温度（稳定性）

范围	刚性更高（较低） ↔ 柔韧性更高（较高）
效果	较高的温度赋予 AI 更大的自由度和表现力，但也伴随着不稳定性（产生幻觉）的风险；较低的温度则使语音显得更为生硬、稳定。
推荐	将默认值设在 25 到 50 左右是一个很好的起点。

2. 相似性

范围	不太像旁白（较低） ↔ 类似于旁白（较高）
效果	提高该数值会增强与原始克隆样本的相似度。然而，如果参考音频中存在噪声，高相似度可能会导致产生伪影或爆音。

3. 速度

范围	0.7（较慢）↔ 1.2（较快）。默认值为 1.0。
效果	控制节奏。极端数值可能会影响质量。

4. 表现力

范围	中性语调（较低） ↔ 情感充沛的表达（较高）
效果	提高该数值会使输出更接近自然的表现；但若提高过度，则可能导致异常行为。

文本归一化（发音）

归一化有助于改善数字、日期和复杂文本的发音。

归一化模式

模式	制作人员名单	最适合	功能
基本归一化	x1	所有语言	进行标准文本归一化处理，以确保语音流转自然。建议在采用情感提示或旨在呈现方言对话时使用此功能。
AI 增强型归一化	x2	阿拉伯语内容	全面的文本优化。它能理解上下文并进行断句，同时自动添加变音符号（Tashkeel），确保 AI 能准确读出阿拉伯语单词。

输入最佳实践

数字

文本转语音模型在处理电话号码或货币等格式时可能会遇到困难。

类型	代替；而不是	写
电话号码	123-456-7890	“一、二、三，四、五、六……”
货币	$45.67	四十五美元六十七美分
缩略语	Dr., St.	“医生”、“街道”
网址	moknah.io/docs	moknah.io/docs
符号	100%	百分之百

---

分步指南

第 1 步：输入文本

在“文本转音频”页面的输入框中键入或粘贴文本。您可以在文本中加入表现力标签，以获得更出色的语音生成效果。

• 如果启用了“情绪”功能： 使用括号内的标签，例如 [shouting] 或 [breathing]. 这些非常有效。
• 如果禁用了“情绪”： 您仍然可以描述期望的演绎方式（例如写上“兴奋”），或者使用包含在……中的标签 </xxxx>, 尽管这些是实验性的。

步骤 2：选择语音

从列表中选择您想要使用的语音。

选择语音至关重要；例如，如果您需要标准阿拉伯语发音，最好从一开始就选择相应的语音，而不是选择特定方言的语音。不过，如果您选择了针对特定方言的语音，它依然能够朗读标准阿拉伯语文本——甚至可能赋予其独特的活力。

步骤 3：调整设置（可选）

根据所需的输出效果修改语音设置。推荐的默认设置如下：

温度

• 更高 = 更大的灵活性： 这赋予了 AI 模型更大的语音控制自由度，但如果数值设置过高，可能会导致异常的输出效果。
• 数值越低 = 刚性越强： 将其降至零会使旁白变得更加生硬、缺乏生气。

相似性

• 数值越高 = 类似于旁白： 这能提高与原始克隆声音的相似度。若参考样本不够纯净，将其设置为最大值可能会引入爆裂声等音频伪影。
• 数值越低 = 越不像旁白： 如果源素材包含噪点，请降低该数值以获得更干净的效果。

速度

• 越高 = 越快 / 越低 = 越慢： 调至最大或最小可能会降低质量。请仅在必要时使用。

表现力

• 数值越高 = 情感表达越丰富： 能使输出更接近自然的表现，但设置过高可能会导致异常行为。
• 较低 = 中性语气： 对于大规模语音生成（特别是在 Voice Studio 中），我们建议将其保持为零，并针对特定台词进行试验性调高。

情感设置

如果您选择启用情感功能，建议调高温度设置：

步骤 4：选择归一化

• 基础： 无需额外修改即可适用于阿拉伯语，同时也适用于其他非阿拉伯语语言。
• AI 增强： 专为阿拉伯语设计——能够理解语境、进行句子切分，并添加正确的发音符号。

步骤 5：生成

点击“Text to Audio”中的“Run”按钮或“Text to Audio Studio”中的“Generate”按钮，即可创建音频文件。在 Studio 中，您可以通过点击合并按钮，一次性生成数千行内容。

---

文本转音频

使用 Moknah 将文本转换为语音的指南

根据上图所示的界面，生成音频的步骤如下：

1. 输入文本： 在大的输入框中输入或粘贴您想要转换为语音的文本。
   注意：此工具每次请求的字符数限制为 1500 个字符。
2. 选择语音： 点击标有“选择语音”的下拉菜单。您可以按名称、语言、性别、年龄、使用场景或方言搜索特定语音。
3. 配置模式（可选）：
   • 标准生成： 若需稳定且专业的旁白效果，请勿勾选“启用情感与方言模式”选项。
   • 情感与方言模式： 如果您希望控制特定情绪或使用方言，请勾选此框。
     提示：如果勾选此项，请使用花括号标注情绪（例如 {Shouting}），并确保文本方言与所选语音的方言一致。
4. 选择归一化：
   • 基础归一化（1倍学分）： 针对自然语音流的标准处理。
   • AI 增强型归一化（2 倍点数）： 包含拼写错误纠正与优化的进阶处理（推荐用于复杂文本或阿拉伯语）。
5. 生成： 点击底部的蓝色“Run”按钮以生成音频。

---

文本转音频工作室

专为有声书、播客和长篇配音等大型项目而设计。与仅处理短文本的标准“文本转语音”工具不同，该 Studio 允许您在同一个工作区内管理、编辑并生成完整的文档。

主要特点

批量导入

直接以 Word 文档（.doc、.docx）格式上传完整的书籍或剧本。

智能细分

系统会自动将您上传的文档拆分为易于处理的行或章节。这使您可以将每个句子或段落视为独立单元，并根据需要应用不同的设置或进行编辑。

综合翻译

在项目设置期间，您可以启用“翻译”开关，以便在生成音频之前将上传的完整文档自动翻译成 100 多种语言。

自动化生产

项目设置完成后，您只需点击“转换”按钮，即可一次性生成整个项目的音频。

如何创建 Studio 项目

1. 项目信息： 为你的项目起个标题（例如“我的第一本有声书”）。
2. 内容来源： 拖放您的 Word 文件。
3. 文本处理： 在以下选项中选择：
   • 基础： 快速处理标准文本。
   • AI 增强： 高级处理（最适用于阿拉伯语），确保整个文档中的发音和变音符号准确无误。
4. 译文（可选）： 如果您希望将源文本转换为另一种语言，请切换“启用翻译”选项。
5. 创建： 点击“创建项目”。随后您将进入工作区，在那里可以查看片段并启动批量生成流程。

---

专业指南：精通阿拉伯语 AI 语音生成

技巧、诀窍与最佳实践

AI 语音创作者的终极目标，是在尽可能节省点数消耗的同时，生成音质极佳且演绎自然的音频。Moknah 为您提供打造专业级配音的先进工具，而本指南将涵盖您所需掌握的核心技巧。

1. 分割的艺术（文本准备）

AI 模型会严格遵循你文本的结构。文本的拆分方式决定了性能质量、节奏以及成本。

问题所在：“文本块”

如果你在不进行拆分的情况下粘贴一个长段落，模型会将其视为单行文本。

• 后果： AI 往往急于读完长句，导致语速不自然。
• 费用： 如果有一个词出错，你就必须重新生成整个段落，从而浪费点数。

错误：随机拆分

如果你在句子中间随意按下“回车键”，AI 会遵循你的指令，在每一行末尾强制停顿（即 Sukoon/Tskeen）。

• 后果： 这会导致音频断断续续、不连贯，并增加语法错误。

专业解决方案：有意识的细分

• 第一条规则： 根据标点符号（逗号、句号、分号）拆分文本。
• 规则二： 如果原文缺少标点符号，请自行添加，尤其是在连词（如“and”、“but”）之前。
• 黄金法则： 朗读这段文字。每当自然停顿换气时，就在那里换行。
• 针对长篇内容： 使用 Text to Audio Studio——它会自动为您处理分段。

2. 变音符号与规范化（Tashkeel）

问题： 我应该手动为全文完整添加变音符号（Tashkeel）吗？

回答： 不是。过多的手动标注变音符号会对模型施加过多限制，从而削弱其利用自身“自动标注变音符号”功能的能力。

方案 A：AI 增强标准化（“魔法”按钮）

这项功能是您的秘密武器。一旦选中，系统便会自动：

1. 根据语境为阿拉伯语文本添加变音符号。
2. 添加必要的标点符号。
3. 修正了拼写错误。

结果： 无需人工干预即可解决 99% 的发音问题。

方案 B：人工“策略性”附加符号

如果使用基本归一化，请遵循“极简主义方法”：

• 需要添加变音符号的内容： 只有那些你觉得难以阅读的词，或者具有双重含义的词。
• 如何： 无需给整个单词都加上变音符号，只需在那个容易产生歧义的特定字母上添加即可。
  例如：若要区分“Kutiba”（被写）与“Kataba”（他写），只需在第一个字母上加上 Damma（合口符）即可：كُتب

3. 文本格式规则

该模型偏好简洁明了的文本。请遵循以下格式规则：

✅ 这样做	❌ 不要
将数字转换为文字（例如“Year two thousand and twenty”而非“2020”）	使用项目符号
使用破折号 (-) 标示插入语	使用字符拉伸（Hello）
在自然停顿处使用逗号。	使用斜杠/下划线（/ 或 _）
撰写简洁明了的文字	使用省略号（...）来分隔句子（除非你想要表达“犹豫”的语气）。

“外来字符”技巧（P、G、V、CH）

阿拉伯语中缺少 P、G 或 V 等音素。若要让 AI 在阿拉伯语文本中准确读出外国姓名，请使用乌尔都语或波斯语字符：

目标音	信函	通用阿拉伯语书写	正确的发音
P	پ	百事可乐	百事可乐 (Pepsi)
G	گ	Joojle	谷歌 (Google)
CH	چ	三明治	三明治 (Sandwich)

乌尔都语/波斯语字母参考

信函	声音	描述	示例
پ (Pe)	/p/	代表 /p/ 音，该音在标准阿拉伯语中不存在。	我和朋友一起去了巴基斯坦。
چ (Che)	/ch/	代表“chair”一词中的 /ch/ 音	我在印度见到了美味的茶。
ٹ (Ṭe)	/ṭ/	卷舌音 T，比阿拉伯语的“ت”更强、更厚重。	我在一家锡制品厂工作过。
ڈ (Ḍāl)	/ḍ/	卷舌音 D，比阿拉伯语的“د”发音更重。	我在医院见到了医生。
ڑ (Re)	/ṛ/	卷舌 R，强颤音“r”	我住在山脚下的一个村庄里。
گ (Gāf)	/g/	代表单词“go”中的 /g/ 音	我们去古吉拉特邦进行了一次短途旅行。
ں (Nūn Ghunnā)	鼻音 /n/	鼻音化的“n”，由鼻腔发出	这是来自麦地那的艾哈迈德。
ے (Baṛī Ye)	长元音 /e/	长元音“e”或词尾的“ya”音	我在清真寺遇见了阿里。

4. 控制表现与情绪

你可以让 AI 像演员一样表演，而不是像新闻播报员那样。这可以通过“模式与设置”来实现。

第一阶段：选择模式

在生成界面中，您会看到一个复选框：“启用情感与方言模式”。

A. 标准模式（未勾选复选框）

最适合： 专业旁白、有声书、在线学习。

• 停顿： 若要强制静音，请在新行中添加此标签： <break time="1.5s"/>
• 微妙的情绪： 在行尾使用上下文或描述性标签（实验性功能）： 她看着那些花…… <With Amazement/>

B. 情感与方言模式（已勾选）

最适合： 剧情、游戏、角色对话。

• 情感标签： 在句首使用花括号 {}，并在其中用英文标明情绪。
• 语法： {Emotion} 在此输入您的阿拉伯语文本。
• 示例： {Shouting}, {Whispering}, {Laughing}, {Sighs}

二级：语音设置

使用滑块微调输出：

设置	降低	更高	警告
温度	稳定、连贯，略带机械感。适合播报新闻。	更具创造力与情感色彩。	设置过高可能会导致不稳定或音频幻觉。
相似性	与原作不太像	更像是原版克隆体	保持高水平以确保准确性。
表现力	中立	丰富情感层次	对于长文本，请保持较低的数值以维持稳定性。

5. 掌握方言

“启动”技巧

为了帮助 AI 立即识别出方言，请以一个具有鲜明方言特色的词汇作为文本的开头。

示例： 与其用中性的短语开头，不如使用“Izayak, amel eh?”（你好吗？）。这种做法能起到“预热”作用，引导模型在后续段落中保持埃及风格的语调。