一个人做一期播客：声音这块我是怎么用 AI 补的

我做一档十来分钟的音频节目，访谈加个人讲述掺着来。最大的门槛不是我内容不够，是声音。家里录音有回响，楼下有车声，我普通话也不算标准。前几期硬着头皮自己念，剪完听着别扭。后来我把声音这块整个拆给 AI 做，节目才稳定下来。

现在的分工是这样的：真人对话的部分保留现场录音，用工具处理；我自己的旁白段落改成 AI 配音；片头和垫乐全部用 AI 生成。下面按这个顺序说我怎么选。

旁白：中文用魔音工坊，多语用 ElevenLabs

我每期要念的开场、串场和结尾加起来大概三四分钟，这部分我现在不自己念了。

中文的旁白我用魔音工坊。它的中文发音自然，多音字和标点停顿处理得比较细，音色库里有接近电台的沉稳款，也有偏日常的。我选了一个中低音的男声，每期固定用同一个，听感上就有了节目的辨识度。调语速和停顿都在网页上做，一段一段听，不对就重生成，不用重新录。

要做英文版本或者嘉宾有外语素材的时候，我用 ElevenLabs。它在跨语言的语气上做得细，情绪和停顿能跟原文走，不会念成念稿机器。我一般先用中文写好，再翻成英文，然后让它念，比自己上阵念英文自然得多。

有个细节要说。旁白别整段一次生成。我会按段落切，一段一段出，中间留出自然的呼吸点，剪起来也灵活。整段一次出，节奏会平，听着像广告。

播客要有自己的片头，十几秒那种。以前我用现成的免版权音乐，问题是撞车的太多，听别人的节目听到同一段，很出戏。后来改成自己生成。

我用 Udio生成片头。方法是不写具体旋律，只写风格、速度、情绪和乐器，比如「轻快的原声吉他，中速，温暖，无鼓」这种。它出的是带人声的完整歌，我要的是纯器乐，所以在描述里写清楚不要人声，出几条挑一段。它的音质和人声自然度评价高，做出来的东西不廉价。

同一段音乐我用 Suno也生成过一版对照，两家风格偏向不一样，多试几个通常能挑到对味的。片头定下来之后，我把这条音乐存好，每期都用它，不做更换。

中文口味重一点的垫乐我用海绵音乐。它生成的中文歌曲和旋律更贴国内的听感，中间插一段轻音乐过场，或者做一句带人声的节目口播，都比纯英文模型顺。

音乐生成完记得看授权。Udio和 Suno免费档生成的曲子在商用上有限制，我的节目没挂广告就不太在意，但要是接商单，得先确认订阅档位的授权范围，别等到播出后才发现问题。

音乐和旁白都齐了，还有一步是把它们放到一条时间线上对齐响度。播客的行业习惯是整体响度稳定，人说话的时候垫乐压低，说完再抬起来。

我的做法是先把旁白铺在主干轨上，再找每条旁白之间的空档，把垫乐剪成对应的长度，垫在人声下面，音量压到刚好听见但不抢话。进入正题前的那几秒，音乐可以稍微抬一点，做一个进入感。

这一步不用专业软件也能做，我用普通的音频剪辑工具，手动切几刀，比让 AI 自动配乐更可控。自动配的乐经常在某句话中间突然变调，反而更麻烦。

第一个坑是把 AI 音乐和人声叠在一起，糊成一团。两条声音的频率打架，听感很闷。后来我养成习惯，垫乐音量压得比想象中更低，宁可几乎听不见，也不要盖住人声。

第二个坑是片头太长。我第一版做了四十秒，自己听着挺得意，剪进节目里发现听众早就跳过了。现在控制在十到十五秒，一句口播一个音效就完事。

第三个坑是长音频的处理。一期十几分钟，工具一次性处理会卡或者超时。我按章节切成三四段分别处理，处理完再拼，稳得多。

第四个坑是音色不统一。我中间换过一次旁白音色，老听众立刻听出来，评论里问是不是换了人。后来我固定一个音色，从头用到现在。

你做的是访谈还是单人口述，单期多长？这两个决定了你是主打真人录音加处理，还是可以让 AI 承担大部分旁白。你说一下，我把对应的音色、语速和响度参数再写细一点。