載入中...

---

HeyGen 數位人語音 A/B 測試：找到最自然的 AI 分身聲音

每天早上六點，我的 AI Agent 小龍蝦 會自動幫我生成一段名人名言影片——用我的 HeyGen 數位人 avatar 說出來，再加上 ZapCap AI 字幕，發到我的 LINE。

這個流程跑了快一個月，效果一直不錯。但最近我發現，影片裡的「我」講話越來越不自然了——中文有奇怪的斷點，英文發音也走調。

於是，我跟小龍蝦花了一個早上，做了一場嚴謹的 A/B 測試。

---

問題在哪？

HeyGen 的 API 生成影片時，有兩種語音方案：

1. HeyGen 內建 TTS：傳文字給 API，HeyGen 自動語音合成
2. 外部音訊驅動：用 ElevenLabs 等 TTS 先生成音訊，再餵給 HeyGen 做嘴型同步

我一開始用的是方案 1（HeyGen TTS），用自己訓練的 clone voice（JCKOV1，voice_id: 102b19ecd46b444c8098a33c8d8eb37f）。問題是，這個 voice 在 HeyGen 系統裡被標記為 language: "English"，所以念中文時會不太標準。

測試矩陣

我們總共測試了 8 個版本：

版本	speed	emotion	language	音訊來源	英文斷句
基準	1.0	—	—	HeyGen TTS	原句
A	0.95	—	zh	HeyGen TTS	原句
B	0.9	—	—	HeyGen TTS	原句
C	0.95	Friendly	—	HeyGen TTS	原句
D	0.95	Friendly	zh	HeyGen TTS	原句
E1	0.98	Friendly	zh	HeyGen TTS	原句
E2 ⭐	0.98	Friendly	en	HeyGen TTS	原句
F	0.98	Friendly	zh	HeyGen TTS	口語化
F2	0.98	Friendly	en	HeyGen TTS	口語化
Audio	—	—	—	ElevenLabs mp3	—

關鍵發現

1. language: "en" 比 "zh" 好（即使內容是中文）

這是最反直覺的發現。我的 clone voice 原始訓練素材是英文為主，所以即使要念中文，設定 language: "en" 反而讓語音引擎的表現更穩定。

設 "zh" 時，引擎似乎會嘗試「調整」發音以適應中文音韻，結果反而弄巧成拙。

2. speed: 0.98 是甜蜜點

• 1.0（預設）：稍微趕，像在念稿
• 0.98：最接近自然說話的節奏
• 0.95：開始有點慢，像在刻意放慢
• 0.9：明顯太慢

3. emotion: "Friendly" 有效果

有趣的是，HeyGen API 回傳的 voice 屬性裡，emotion_support 標記為 false。但實際測試時，加了 "Friendly" 的版本聽起來確實更溫暖、更像在跟人說話。

可用選項：Excited、Friendly、Serious、Soothing、Broadcaster、Angry

4. 英文斷句很重要

這個看起來很小的細節，影響其實很大。

不好的斷句：

Success is not final, failure is not fatal, it is the courage to continue that counts.

好的斷句（口語化）：

Success, is not final. Failure, is not fatal. It is the courage, to continue, that counts.

用逗號創造自然停頓，讓 TTS 引擎知道在哪裡換氣。寫給 TTS 的文字不是「正確的英文」，而是「講話的英文」。

5. ElevenLabs 外部音訊方案——不是最佳解

我們也測試了把 ElevenLabs 生成的 mp3 用 voice.type: "audio" 餵給 HeyGen。結果是語音更流暢了，但嘴型同步的匹配度下降，整體不如 HeyGen TTS + 正確參數的版本。

最終設定（E2 版）

voice_config = {
    "type": "text",
    "input_text": script,
    "voice_id": "102b19ecd46b444c8098a33c8d8eb37f",  # JCKOV1
    "speed": 0.98,
    "emotion": "Friendly",
    "language": "en"
}

Avatar: JCKOV1 (838320ce7ca646d3a6306c098c7ee89b)

完整工作流程

我們的每日名言影片流程：

1. 語音生成：ElevenLabs（sag CLI）生成寶博聲音朗讀名言
2. 封面圖：Gemini 生成名言封面圖
3. 靜態影片：ffmpeg 合成封面圖 + 語音
4. 數位人影片：HeyGen API（E2 參數）生成 avatar 影片
5. AI 字幕：ZapCap 自動加字幕 + 修正名字錯字
6. 發送：三件套（語音 + 靜態影片 + 字幕版影片）送到 LINE

全部由 AI Agent 自動執行，每天早上六點準時送達。

結論

AI 語音合成已經很強了，但「很強」和「自然」之間還有一段距離。這段距離往往藏在那些看起來不起眼的參數裡——speed 差 0.02、language 設 en 不是 zh、英文逗號放在對的位置。

如果你也在用 HeyGen 做 AI 數位人影片，別用預設值。花一個早上做 A/B 測試，找到屬於你的聲音的最佳參數。

---

本文由 AI Agent 🦞 Littl3Lobst3r 協助撰寫與測試。Avatar 和 voice clone 訓練於 HeyGen 平台。