诗词AI配音怎么做？古诗词朗诵配音的正确打开方式 - FlowPix

有没有人跟我一样，第一次用AI读古诗词的时候差点笑出来？

"床前/明月光，疑是/地上霜。"——读是读对了，但那个味儿，怎么说呢，像小学一年级的课文朗读打卡。字正腔圆、毫无感情、停顿全在错误的地方。AI把"床前明月光"读成了"床前、明月、光"，三个词中间等距停顿，像在报菜名。

我花了大概两个星期专门研究诗词AI配音这个事，因为有个做国学启蒙APP的客户需要大量古诗词朗诵音频——超过500首。请专业朗诵播音员录的话，按每首诗80-150元算，光配音费就得四五万。所以他来问我能不能用AI搞。

能搞。但得花心思。下面这些全是我在那个项目里一首一首调出来的经验。

AI读诗词为什么默认就是"念课文"

AI语音模型是用海量的"正常说话"语料训练出来的，诗词朗诵在训练数据里占比极低——所以AI不知道古诗词有自己的一套韵律规则、停顿逻辑和情绪表达方式。你不教它，它就用念新闻稿的方式念诗。

想明白这一点很重要。这不是工具的"Bug"，是它的"出厂设置"。就像你给一个外国人一首中文古诗的拼音，他能读出每个字的发音，但韵味？不存在的。因为他不理解这些字背后的意境和节奏传统。

AI也一样。它认识每个字，但不理解"大漠孤烟直，长河落日圆"里那种开阔到让人窒息的画面感应该怎么用声音去传递。

根据Statista 2025年数据，中文AI语音合成市场年规模已经达到47亿人民币，但专门面向"诗词朗诵"这个细分场景的优化几乎为零。所有的调优工作都得你自己来。

断句：整件事里最关键的一步

古诗词的断句直接决定了朗诵的韵味——五言诗通常是"二三"或"二一二"断，七言诗通常是"二二三"或"四三"断。你必须用标点、空格或SSML标签手动告诉AI在哪里停。

这一步占了整个调优工作量的60%以上。我不夸张。

以李白《静夜思》为例。原文"床前明月光"五个字，默认给AI它会匀速读完，中间没有任何停顿。但正确的朗诵节奏应该是"床前——明月光"，"床前"后面有一个微妙的气息停顿（大概0.3秒），"明月光"三个字连贯读出。

怎么让AI做到这个？三种方法，难度递增：

方法一（最简单）：用逗号和空格。把"床前明月光"改成"床前，明月光"。AI遇到逗号会自动停顿大约0.2-0.3秒。如果觉得停顿不够长，在逗号后面加一两个空格。简单粗暴但有效。

方法二（中等）：用省略号控制长停顿。"床前……明月光"——省略号会让AI停顿约0.5-0.8秒，适合需要"留白感"的地方。比如"举头望明月……低头思故乡"中间那个情绪转折。

方法三（最精确）：SSML的break标签。如果你用的平台支持SSML（Azure TTS、部分FlowPix方案支持），可以写<break time="350ms"/>精确到毫秒级控制停顿。我在那个500首诗的项目里最终用的就是这个方案——虽然标注量大，但效果最好。

给一个我实际用过的断句对照表：

有一点要注意：不是每句诗都适合同一种断法。同一首诗里不同句子的断句方式可能完全不同。这就需要你懂一点点古诗词的格律知识——至少知道"二三断"和"二一二断"有什么区别、什么时候该用哪种。

说到格律这个事，我有个很惨的翻车经历。

有次给杜甫的《登高》配音，"无边落木萧萧下，不尽长江滚滚来"——我按七言的"四三断"处理，"无边落木/萧萧下"。听起来也还行对吧？但客户是个退休的中学语文老师，她一听就说不对。正确的应该是"二二三断"："无边/落木/萧萧下"。因为"无边"是修饰"落木"的定语，中间要断开，让听者先感受"无边"的广阔，再落到"落木"的苍凉。

这个纠正让我意识到：诗词配音不只是技术活，更是文学活。参数调得再好，断句断错了，整首诗的意境就垮了。后来我每做一首新诗，都会先查一下这首诗的标准朗诵断句方案再开始标注。

语速和稳定性：营造"气韵"的两个核心参数

诗词朗诵的语速应该比正常说话慢15%-22%——具体设在0.8-0.88倍速。稳定性设在0.55-0.65之间，太高会死板，太低会飘忽。这两个参数的组合决定了朗诵的"气韵"。

什么是"气韵"？很虚的一个词，但在朗诵领域它就是命根子。

打个比方：你见过书法作品吗？同样写一个"永"字，印刷体和颜真卿写的差距在哪？不是笔画对不对——都是那几笔。差距在"气"上——笔画的粗细变化、墨色的浓淡过渡、笔锋的提按转折。朗诵也一样。同样的文字，有气韵的朗诵像行云流水、有呼吸感，没气韵的朗诵就是复读机。

回到参数。语速0.8-0.88倍这个范围是我测了大概七八十首诗之后找到的。低于0.78就太慢了——不是朗诵是催眠。高于0.9就开始失去"吟诵感"，听着更像在读课文。

而且不同诗的语速还得微调。豪放派词（苏轼、辛弃疾）可以快一点，0.87-0.9；婉约派词（李清照、柳永）要慢一点，0.8-0.84；叙事诗（白居易《琵琶行》）节奏要有变化，总体0.85但高潮段落可以加到0.9。

稳定性这个参数就更微妙了。0.55的时候，AI的音调会有明显起伏——有的字高、有的字低——这种起伏如果恰好跟诗词的平仄一致，效果就很好。但AI不懂平仄，它的起伏是随机的，所以有概率"对上"也有概率"反着来"。我的做法是：先用0.6生成一版，听一遍。如果大部分地方的音调起伏是对的，就用；如果不对，调到0.58或0.63重新生成——稳定性变一点点，出来的音调走势就完全不同。

老实讲，这个过程有点像在抽卡。你没法精确控制哪个字高哪个字低（除非用SSML单独标注每个字的音调，但那工作量太恐怖了）。但多试几次总能出一版满意的。我做500首诗的项目，平均每首生成3.2次才定稿。

音色选择：不是所有声音都适合读诗

诗词朗诵对音色的要求是"清、厚、有磁性"——过于年轻的声音撑不住意境，过于尖锐的声音破坏美感。男声选中低音区、带胸腔共鸣感的音色，女声选中音区、温润不尖的音色。

这一点我个人觉得比参数调节还重要。底色选错了，后面怎么调都别扭。

就像唱歌一样——你让周杰伦唱京剧？技术上可以，听感上灾难。声音底色跟内容气质要匹配。

我在FlowPix上试过十几个音色读同一首《将进酒》，最后挑出来的是一个标注为"浑厚男中音"的音色。为什么？因为《将进酒》是李白醉酒后的豪放狂歌，需要那种"声音里带着一壶酒"的粗犷感。用清亮的男高音读"天生我材必有用，千金散尽还复来"，出来的效果像个刚毕业的播音系学生在朗诵比赛上背课文——字对，味儿不对。

几个选音色的原则：

豪放诗词（李白、苏轼、辛弃疾）→ 浑厚男声、稍微带一点沙哑的更好。
婉约诗词（李清照、纳兰性德）→ 温润女声或者质感温柔的男声都行。
田园诗（陶渊明、王维）→ 平和淡然的中性音色，不要太有"表演感"。
边塞诗（王昌龄、高适）→ 刚硬的男声，稳定性可以拉高一些让声音更"硬"。

有个小技巧：同一个音色底色，如果你把风格夸张度从0.2提到0.4，听起来"戏剧感"会增强很多——特别适合比较激昂的诗句。但日常的山水田园诗就别用高夸张度了，会显得过于做作。具体怎么调参数可以参考AI配音自然度参数技巧这篇。

背景音乐：很多人忽略但极其重要的一层

诗词朗诵加上合适的背景音乐，听感提升不是10%而是翻倍。古风BGM的选择原则：器乐为主（古筝、笛子、琵琶）、节奏要慢于朗诵语速、音量压到朗诵音量的15%-25%。

我试了下——同一段朗诵，有BGM和没BGM的评分差异（找了20个人盲测打分）：无BGM平均6.3分，有合适BGM平均8.1分。差距将近两分。

但！BGM选错了不如不加。

我犯过一个特别蠢的错误：给李清照的《声声慢》配了一段琵琶曲。你可能觉得"琵琶+宋词，没毛病啊"。问题是那段琵琶曲的节奏太快了，是《十面埋伏》那种杀气腾腾的路子。配上"寻寻觅觅，冷冷清清，凄凄惨惨戚戚"——你品，你细品。

后来换成了一段缓慢的古琴独奏，效果立刻对了。

BGM的音量控制也有讲究。太大会抢朗诵的风头，太小等于没有。我的经验值是：用音频编辑软件把BGM的音量压到-12dB到-16dB之间（相对于朗诵的音量），大约是朗诵音量的15%-25%。让BGM在背景里若有若无、像一层薄雾一样铺着，听者的注意力仍然在朗诵上，但潜意识能感受到氛围。

关于音频生成的完整流程可以参考AI配音文本转音频教程，里面也讲了怎么把配音和BGM合成到一起。

不同诗体的参数差异

不是所有古诗词都该用同一套参数。不同诗体的节奏结构差异很大，参数得跟着变。

我把自己用过的参数按诗体整理了一下：

这个表可以直接拿去用，但别当成死规矩。具体到每首诗还是要根据内容微调。比如同样是五言绝句，王维的"空山不见人"和李白的"朝辞白帝彩云间"——前者需要更慢更静，后者需要更明快更飞扬。参数得跟着意境走。

对了，有个很冷门但好用的技巧想单独拎出来说。

押韵的字——就是每句末尾那个韵脚——你可以在它前面加一个很短的停顿（150-200ms），然后让AI稍微把这个字"拖"一下。怎么拖？在韵脚字后面加一个破折号或省略号。比如"白日依山尽——"，AI读到"尽"这个字会自然延长一点点尾音。

这个细节非常小，但效果巨大。因为诗词朗诵的美感很大程度来自于韵脚的回环感——就像音乐的和弦终止式一样，韵脚是一句诗的"落点"，稍微强调一下就能让整句诗"收住"。

专业朗诵播音员都会在韵脚上做处理，只是他们靠本能和经验，我们靠标点符号和标签。目标一样，路径不同。

批量生产的工作流

做大批量诗词配音（比如100首以上），一定要先建标准化工作流：文本预处理（断句标注）→ 参数模板匹配 → 批量生成 → 质检回听 → 问题件重生成 → BGM合成。

我那个500首诗的项目，实际工作流是这样的：

第一步，拿到诗词原文后先分类——五绝、七绝、五律、七律、词、古体，每类对应一套参数模板。这步大概花了2小时。

第二步，断句标注。这是最耗时的。500首诗，每首平均4-8句，每句都要手动标注停顿位置和长度。我找了一个中文系的实习生帮忙，两个人一起干了三天。没错，三天——这是整个项目里最"人工"的环节。

第三步，用FlowPix的批量功能生成音频。500首诗分成7个批次跑完的，每批次大概70首，跑一批大概40分钟。

第四步，质检。每首回听一遍确认效果。这个没法偷懒——AI偶尔会在某个字上"打结"（读错音或者节奏突然乱掉），不听你发现不了。500首里大概有80首需要重新生成（约16%的返工率）。

第五步，合成BGM。按诗的类型匹配不同的背景音乐（豪放配鼓+笛、婉约配古筝+琴、田园配纯古琴），统一调好音量，导出成品。

整个项目从启动到交付用了大约12个工作日。如果请真人配音员录500首诗——按每天录30首的速度算（已经很快了），光录音就得17天，还不算后期剪辑。

几个容易被忽略的细节

多音字是古诗词配音的重灾区。"远上寒山石径斜"的"斜"在古音里读xiá不读xié，但大部分AI工具只认现代发音。解法：查古音读法，在文案里直接用同音字替代。比如把"斜"写成"霞"——AI读出来发音一样，听者听到的效果就对了。

这招虽然有点"作弊"，但很管用。FlowPix支持部分古音词库，常见的古音字可以自动识别，但冷门的还是得手动处理。

入声字是另一个坑。古汉语里入声字发音短促有力（比如"白""月""国""客"），但现代普通话已经没有入声了。AI用普通话读这些字会拖长，丧失原本的顿挫感。目前没有完美解法——你可以试试在入声字后面加一个很短的break（100ms），制造一点人工的"顿"感，效果勉强能接受。

还有个事关于风格调节——朗诵诗词的时候不要用AI配音风格调节指南里讲的"新闻腔"参数。我看到有人这么干，出来的效果就是"播音员在念一首诗"——技术层面无可挑剔，但跟诗词该有的气质完全不搭。诗词朗诵需要的是"吟诵感"而不是"播报感"，这两种东西差得很远。

写在最后

用AI给古诗词配音这件事，说到底是一场"技术"和"文学"的跨界碰撞。技术上它已经能做到八九成——语音清晰、可控、成本低。但剩下的一两成——对诗歌意境的理解、对韵律节奏的把握、对情感分寸的拿捏——这些还得靠人来补。

AI是一支很好的毛笔。但书法的好坏不取决于笔，取决于握笔的人。

我个人觉得现阶段AI诗词配音最适合的场景是"量大、质量要求中等偏上"——比如国学APP里的几百首诗词音频、学校的古诗词听力素材、短视频平台上的诗词类内容。如果你要做的是那种参加比赛或者出版发行级别的精品朗诵，还是建议请专业的人来。AI做80分很容易，但从80分到95分那段路，人类仍然遥遥领先。

不过话又说回来，80分已经够用了——对于绝大多数内容创作者来说。你的用户/观众在意的是"能不能听、好不好听"，不是"这是人录的还是AI录的"。

如果你也在做诗词类的内容，PPT配音的场景可以看这篇PPT添加AI配音旁白指南，里面讲的配音嵌入方法同样适用于课件和教学场景。

觉得有用就分享给你身边爱诗词的朋友吧——特别是那些做国学号、教育号的，这套方案能帮他们省下不少配音预算。有什么关于诗词配音的问题也欢迎留言，这个细分领域研究的人不多，能交流交流也挺好的。

常见问题

AI能读准古诗的平仄吗?

大部分工具按现代普通话读，不会自动按格律替你"踩拍子"。想贴近传统听感，只能靠断句、停顿长短和个别同音替换来模拟，平仄本身还得靠人耳去调。别期待一键还原吟诵腔，那是人和文本功课，不是模型开关。

哪个工具读古诗最有韵味?

没有绝对冠军，和音色、引擎中文韵律有关。建议你挑两三家支持情绪与停顿细调的工具，用同一首诗做盲听对比——谁更稳、少吞字，就比谁参数花里胡哨更重要。韵味往往是调出来的，不是选出来的。

AI朗诵能用于学校教学吗?

课堂示范、跟读素材、拓展阅读一般没问题，注意商用授权和版权来源即可。若涉及考试示范或正式出版，最好先和学校或出版社确认要求，必要时保留人工示范作对照，让学生知道机器朗读的边界在哪里。

古诗里的多音字怎么处理最省事?

先查本首诗里争议字的常见读法，能改同音字替换的就替换，不能换的用拼音或拆词标注给引擎。批量项目里建一份本册多音字表，比逐首临时搜要省心，也不容易前后不一致。