配音不是把一段旁白疊上去。旁白是在一支已經完成的影片上加一層聲音；配音則要讓同一場表演換一種語言之後依然成立，嘴型、節奏、情緒、停頓都要對得上，觀眾不該看出接縫。
以前這代表要進錄音室、找配音員、再花時間混音。現在整條流程可以收進一個瀏覽器分頁：把語音轉成文字、翻譯、生成新聲音，最後重新渲染嘴唇，讓嘴型跟著新音軌走。這篇會拆開每一步實際在做什麼、哪些規則決定一支配音能不能看，以及怎麼從頭到尾完成一次。
AI 配音實際在做什麼
配音是一條流程，不是單一模型。每個環節都可能各自出錯，這也是為什麼在腦中聽起來沒問題的配音，一放到畫面上就露餡。
| 環節 | 發生什麼事 | 檢查重點 |
|---|---|---|
| 聽寫 | 語音轉成帶時間戳的文字 | 人名、數字與專業術語 |
| 翻譯 | 每一句改寫成目標語言 | 意思與語氣，不是逐字照搬 |
| 配音 | 用新聲音演出翻譯後的台詞 | 情緒與節奏 |
| 同步 | 嘴唇依新音軌重新渲染 | 重音音節上的嘴型 |
| 合回 | 新音軌鋪回影片畫面 | 音樂、停頓與環境音 |
字幕做到翻譯就停了。配音還要多走聲音和對嘴兩步，多出來的這段路，決定了一支配音聽起來像不像原生內容，也決定了源影片的品質為什麼這麼重要。
決定配音成不成的五條規則
先讓說話聲乾淨。 聽寫階段聽到的，就是麥克風收到的。風聲、車流、回音、房間雜訊，都會在你看到結果之前先變成翻譯錯誤。安靜的房間，比在吵雜環境裡用高級麥克風更管用。
一個鏡頭只留一位說話的人。 流程要把一個聲音對到一張嘴。多人搶話、背景聊天、對唱，都會讓這個對應變得模糊，嘴唇就會跟著錯的音節動。
臉要清楚看得見。 配音只能處理看得見的嘴。正面、光線充足、嘴部沒有遮擋，同步最穩定。側臉、手遮嘴、口罩、快速剪接，都是恐怖谷最容易出現的地方。
翻譯要配合原本的長度。 原文四秒講完的一句，換成目標語言也該在四秒左右講完。逐字翻譯一旦變長，不是被配音壓縮得含糊，就是逼剪接砍掉重要的詞。把句子寫短，問題會少很多。
對準情緒，不只對字面。 同一句話可以是玩笑、警告，也可以是推銷。聲音念得平淡，配音在技術上全對，情緒上卻全錯。
用 AI 替影片配音，四步完成
第一步：準備影片。 使用 MP4 或 MOV、720p 或 1080p，長度 2 到 60 秒，檔案最大 100 MB。剪到真正要用的那一段就好：費用按秒計算，片段越精簡也越好同步。畫面裡只有一個人正對鏡頭，效果最乾淨。如果源影片在 TikTok 上，可以直接貼上連結，不必先下載。
第二步：選語言和音色。 上傳影片或貼上 TikTok 連結，從 40 種目標語言裡選一種，再挑配音要用的音色。源語言會自動偵測，不需要自己標示。執行前就會看到預估價格。
第三步：執行並對比。 每個結果都會和原影片並排，放在前後對比滑桿裡。先看重音音節上的嘴型，同步出問題通常會先從這裡露出來。也留意停頓：沒有說話的段落會保留原音，所以片頭、音樂間奏和靜音段落聽起來應該還是同一支影片。
第四步：下載並檢查。 配音到位，就下載 MP4。效果不理想，先回頭檢查源影片再重跑：正對鏡頭的畫面、單一說話者、乾淨的音訊，比任何設定都更能救回一支失敗的配音。
執行費用按影片秒數計算，每秒 10 積分，一支 30 秒的影片是 300 積分。提交前一定會顯示準確價格，失敗的執行會自動退回積分。影片翻譯沒有免費檔。
AI 配音擅長什麼，不擅長什麼
它很擅長那些以前非得進錄音室才能完成的工作：把一支產品影片做成五種語言版本、不找配音員也能把短影音在地化、讓創辦人的影片跨出原本的語言市場，或把舊素材重新配音，帶給新的觀眾。
但它不是每支影片的萬靈丹。吵雜的街頭訪談、三個人同時說話的鏡頭、兩分鐘的長篇獨白，都會用不同的方式讓流程卡住。解法通常在剪接，而不是模型：切到乾淨的那個鏡頭、把長片段拆開，或用目標語言寫一版更精簡的稿子。
開始之前，有一個限制值得先知道：這個版本不會保留說話聲底下的背景音樂。有人說話的地方，新配音會完全取代原本的音訊；沒有說話的段落則保留原音。如果音樂就是重點，請提前調整做法，或直接避開那些段落。
版權與標示
只替你有權使用的影片配音。配音可以讓人看起來說了從沒說過的話，所以不要用真人的臉或聲音誤導別人。當配音版本可能被當成原始影片時，請標明這是配音版。這不只是法律上的保險，也是你對目標觀眾維持信任的方式。
常見問題
AI 配音和字幕是同一件事嗎？
不一樣。字幕保留原本的音訊，再加上文字；配音會用目標語言取代說話的聲音，在我們的翻譯器裡還會重新渲染嘴唇，讓嘴型對上新聲音。字幕快得多，但要讓影片像當地原生內容，靠的是配音。
影片可以多長？
每次 2 到 60 秒。更長的素材，拆成幾段，只配真正承載訊息的那一段。費用按秒計算，片段越短也越省。
支援哪些語言？
40 種目標語言，包括英語、中文、日語、德語、西班牙語、法語、韓語、葡萄牙語和阿拉伯語，每種都能選音色。源語言會自動偵測；原片已經是你所選的目標語言的話，會被退回。
費用怎麼算？
影片每秒 10 積分，一支 30 秒的影片是 300 積分。提交前會顯示準確價格，失敗會自動退積分，而且沒有免費檔。
會保留背景音樂嗎？
沒有說話的段落會保留原本的音訊和畫面。有人說話的地方，新配音會完全取代原音；說話聲底下的背景音樂，在這個版本不會保留。
可以替 YouTube 影片配音嗎？
只要是你有權使用的檔案都可以上傳。TikTok 連結可以直接貼上，其他平台需要先下載檔案。
會改變人物的臉嗎？
不會。臉部、表情、光線和機位都保持原樣，只有嘴唇區域會跟著新聲音重新渲染。
想讓你的影片換一種語言說話？替影片配音：上傳影片或貼上 TikTok 連結，選一種語言，再並排比較結果。