精華筆記 AI 語音全景:TTS、克隆、音樂
你錄了一支口播，剪輯老半天，最後覺得聲音聽起來很奇怪——音調偏高、氣息不穩、台語腔偷跑出來。或者你想做 Podcast，卻沒有錄音設備，租工作室又太貴。又或者你接了一個短片案，需要片頭音樂，找配樂要版權費，找人作曲要時間和預算。
這些問題，2026 年的 AI 語音工具幾乎全部能解決。問題是工具太多，每一個都說自己最好，你一開始就被淹沒了。
這堂課先退一步，幫你畫一張地圖。搞清楚 AI 語音全貌，每一課要學的東西在地圖哪個位置，學起來才不會迷路。
這堂學什麼
- AI 語音三大類應用:TTS(文字轉語音)、聲音克隆、AI 音樂生成的用途與界線，知道自己的需求屬於哪一類
- 主流工具全覽:ElevenLabs、Fish Audio、Suno、Adobe Podcast——中文表現重點標注，讓你知道哪個工具適合你的內容
- 免費額度與商用授權:哪個方案可以直接拿去賺錢，哪個用了要標出處，哪個免費版根本不能商用
- 倫理紅線預告:用 AI 複製別人聲音的法律與道德界線，這件事你要在第 1 課就知道
- 六堂課路線圖:從這裡到能做出一集完整 Podcast，你要走哪幾步
觀念一:AI 語音的三大類應用
AI 語音工具很多，本質上只有三個用途。搞清楚三類的界線，才不會用錯工具。
圖:ElevenLabs 官網(2026 年 7 月實況),來源:elevenlabs.io
TTS(Text-to-Speech，文字轉語音)
你寫一段文字，AI 讀給你聽。這是最常見的應用:把文章配音、為影片加旁白、讓 app 說話。輸入是「字」，輸出是「聲音檔」。
現代 TTS 品質已很高，幾乎聽不出是 AI。關鍵差異在:語調自然度(停頓、重音)、中文斷句是否準確、情緒能否用自然語言指定(例如 [激動地]這件事太重要了！)。
聲音克隆(Voice Cloning)
你提供幾秒到幾分鐘的參考音訊，AI 學習你的聲音特徵，之後用「你的聲音」讀任何文字。不用每次錄音也能出內容，出差了也能照常更新。克隆分兩個層次:
- 即時克隆(Instant Clone):上傳 30 秒即可，幾秒出結果，相似度約 70–80%
- 專業克隆(Professional Clone):錄 20–30 分鐘指定文本，相似度可達 95%，第 3 課深入操作
AI 音樂生成
你寫一段描述(例如「輕鬆爵士鋼琴，台灣味，Podcast 片頭，無人聲，30 秒」)，AI 生成完整的曲子，帶人聲或純器樂都可以。2026 年的工具單曲可做到 8 分鐘以上，音質接近專業製作。
三類可以組合:AI 音樂做片頭，克隆聲音說旁白，TTS 處理口播——第 6 課綜合實戰的架構正是如此。
觀念二:主流工具全覽與中文表現
以下是 2026 年你會用到的主要工具，依類別整理，中文支援重點標注。
TTS 工具對照
| 工具 | 中文支援 | 強項 | 注意事項 |
|---|---|---|---|
| Fish Audio S2.1 Pro | ★★★★★ 中文 Tier 1 | 中文最自然，83 種語言，[括號語法] 控制情緒 | 免費版僅個人用，不可商用 |
| ElevenLabs | ★★★☆☆ 多語言 v2 | 英文頂級，情緒豐富，生態最完整 | 中文有時斷句奇怪，免費版不可商用 |
| Adobe Podcast | ★★★★☆ | 語音增強 + TTS 一條龍，整合 Premiere | 需訂閱 Creative Cloud，功能偏錄音後製 |
Fish Audio 中文為什麼這麼強？ S2.1 Pro 在超過 1,000 萬小時音訊資料上訓練，中文列為 Tier 1，斷句、輕聲、兒化音處理比英美系工具準確；[括號語法] 讓你用自然語言指定情緒，例如 [興奮地]這個消息讓我很開心！，不限固定選項，頭對頭試聽評比勝率 61%。
ElevenLabs 英文為什麼仍值得備著？ 內容有英文或中英夾雜的場景，ElevenLabs 的英文語調自然度仍是業界天花板；純中文有時斷句奇怪、台灣特有詞發音不準，中文創作者以 Fish Audio 為主、ElevenLabs 為輔。
音樂生成工具對照
| 工具 | 版本(2026) | 強項 | 備注 |
|---|---|---|---|
| Suno | v5.5(2026/03) | 帶人聲、8 分鐘長曲、自訂聲線 | WMG 授權合作後生態更穩 |
| Udio | v2 | 純器樂精細，Jazz / 古典強 | 付費方案可商用 |
Suno v5.5(2026/03) 重點: 支援自訂聲音克隆(哼幾句讓它幫你唱)、個人化風格模型、單曲最長 8 分鐘以上。2025 年底 Suno 與 WMG 和解並建立授權合作，商業生態趨於穩定。
觀念三:免費額度、方案價格與商用授權
這一節最重要——很多人用免費方案做完大量內容，才發現「不能商用」，白做了。先把規則搞清楚再動手。
ElevenLabs 方案(2026/07)
| 方案 | 月費 | 額度 | 商用授權 |
|---|---|---|---|
| Free | $0 | 10,000 字元/月(約 10 分鐘) | 不可商用，需標出處 |
| Starter | $6 | 30,000 字元/月(約 30 分鐘) | 可商用 |
| Creator | $22 | 100,000 字元/月(約 100 分鐘) | 可商用，含專業聲音克隆 |
| Pro | $99 | 600,000 字元/月(約 600 分鐘) | 可商用 |
Starter 是最低商用門檻($6/月，約 190 台幣)。Creator 才包含「專業聲音克隆」。額度:標準模型 1 字元 = 1 credit；Flash / Turbo 模型 0.5 credit / 字元(效率翻倍)。
Fish Audio 方案(2026/07)
| 方案 | 月費(年繳) | 額度 | 商用授權 |
|---|---|---|---|
| Free | $0 | 8,000 字元/月 | 不可商用 |
| Plus | $5.50 | 200 分鐘高品質生成/月 | 可商用 |
| Pro | $37.50 | 1,620 分鐘高品質生成/月 | 可商用 |
API 計費:S2.1 Pro，$15 美元/百萬 UTF-8 位元組。注意:中文每字 3 位元組，同字數的中文 API 成本約是英文的 3 倍。
Suno 方案(2026/07)
| 方案 | 月費(年繳) | 每月生成量 | 商用授權 |
|---|---|---|---|
| Free | $0 | 約 10 首/天(50 點數/天) | 不可商用 |
| Pro | $10($8 年繳) | 約 500 首/月(2,500 點數) | 可商用 |
| Premier | $30($24 年繳) | 約 2,000 首/月(10,000 點數) | 可商用，含進階分軌 |
授權細節: Suno 修改授權條款後，即使付費用戶，Suno 仍是技術上的「作者」，你拿到的是「永久商業授權」而非著作權所有。實際使用差別不大，但純 AI 生成、沒有親自寫詞的曲子，在台灣與美國目前無法登記著作權。
觀念四:倫理紅線——第 1 課就要知道這件事
AI 聲音克隆技術強大，也很容易被濫用。以下是紅線清單，之後第 3 課操作聲音克隆時你會再看到它。
可以做:
- 克隆自己的聲音用於創作內容
- 取得當事人明確書面同意後，幫他們克隆聲音(例如語音演員授權你使用)
- 製作虛構的 AI 角色，並明確標示為 AI 聲音
不能做:
- 用 AI 冒充真實存在的人說出他沒說過的話
- 用克隆聲音進行詐騙或商業欺騙
- 在沒有得到同意的情況下，使用他人的聲音製作任何公開內容
- 情色或惡意內容
台灣雖無 AI 聲音專法，但散佈不實聲音可能觸犯《刑法》誹謗罪或詐欺罪，民事上涉及肖像權與人格權侵害。「我只是用 AI 工具」不是免責理由。
手把手實戰:第一次摸到三種工具
這堂是概覽課，實戰目標不是做出成品，而是讓你的手真的碰到工具、感受差異。每個步驟都可以用免費方案完成。
建立你的工具帳號清單
先把三個主要平台的帳號開好，之後每一課直接用:
- fish.audio — 用 Google 帳號登入
- elevenlabs.io — 用 Google 帳號登入
- suno.com — 用 Google 帳號登入
都可以免費試用。開好帳號後先別亂點，後面步驟會帶你操作。
在 Fish Audio 生成第一句中文語音
登入 Fish Audio 後，點上方「TTS」進入文字轉語音介面。
- 在「Select Voice」選一個中文語音(建議先選官方的「中文女聲」或「中文男聲」預設聲音)
- 在文字框輸入以下測試句:
台灣的夜市有各種各樣的小吃，有蚵仔煎、臭豆腐、大腸麵線。每一口都是記憶裡的味道。
- 點「Generate」，等待約 2–3 秒
- 播放音訊，若滿意再下載
聆聽重點:「蚵仔煎」發音是否準確、「麵線」的輕聲、句子停頓是否自然、整體語調有無起伏。這些就是你之後評比工具的基準點。
在 ElevenLabs 生成同一句話，聽差異
登入 ElevenLabs，點左側「Text to Speech」。
- 在「Voice」下拉選單搜尋「Chinese」或「Mandarin」，選一個預設中文聲音
- 輸入和 Fish Audio 完全一樣的句子:
台灣的夜市有各種各樣的小吃，有蚵仔煎、臭豆腐、大腸麵線。每一口都是記憶裡的味道。
- 「Model」選「Multilingual v2」(目前 ElevenLabs 對中文效果最好的模型)
- 點「Generate」，播放並下載
把兩個音檔對比聽: Fish Audio 中文斷句通常更自然，台灣詞發音更準；ElevenLabs 可能帶一點外國腔。但若內容是英文或中英夾雜，結論可能相反——工具沒有絕對好壞，只有適不適合你的內容。
在 Suno 生成第一首音樂
登入 Suno，點「Create」。你會看到兩種模式:
- Simple Mode(簡單模式):輸入一段描述，Suno 自動產生歌詞和風格
- Custom Mode(自訂模式):你自己寫歌詞、設定風格
先用 Simple Mode 試試。在描述欄輸入:
輕鬆的台灣 Podcast 片頭音樂，帶一點爵士鋼琴，沒有人聲，30 秒，溫暖親切的感覺
按「Create」，Suno 會同時生成兩個版本。聽完兩個，選你比較喜歡的那個。
注意:免費方案不可商用，也無法下載 WAV。第 5 課會用 Pro 方案做完整的配樂流程。
記錄你的第一印象，建立工具筆記
在 Notion 或 Apple 備忘錄建一頁「AI 語音工具筆記」:
Fish Audio 第一印象:
ElevenLabs 第一印象:
Suno 第一印象:
我最想深入的工具:
我的主要場景:（口播 / Podcast / 影片旁白 / 配樂）
這是你的基準線。每一課結束後回來加一行，六堂課後你會看到完整的進步軌跡。
常見坑
坑 1:用免費版試了覺得效果普通，就直接放棄
免費方案的生成品質有限制:ElevenLabs 免費版用的模型比付費版舊一個世代，額度只有 10,000 字元/月；Fish Audio 免費版超量就降速。如果試了覺得「還好而已」，先別放棄——建議先用免費版確認功能面(介面、中文支援、有沒有你要的功能)，品質判斷要在付費方案下才準確。
坑 2:用免費方案做好大量內容，才發現不能商用
Fish Audio、ElevenLabs、Suno 的免費方案都不含商用授權。有廣告分潤的 YouTube、付費課程、商業廣告，全都是商業使用——違反條款。
解法:內容要商用，開始製作前先升級:
- Fish Audio Plus:$5.50/月(年繳)
- ElevenLabs Starter:$6/月
- Suno Pro:$10/月($8 年繳)
三個加起來不到 700 台幣/月，比後來重做素材划算多了。
坑 3:拿 ElevenLabs 的中文效果當作 AI TTS 的整體標準
很多中文用戶第一次試 AI TTS 是從 ElevenLabs 開始，試了覺得中文不夠自然就放棄。這是工具選錯，不是技術的問題。中文內容先從 Fish Audio 試；如果 Fish Audio 也覺得不夠自然，再考慮錄原聲或聲音克隆方案。
坑 4:Suno 免費版生成的音樂放進商業影片
Suno 免費版生成的音樂不可用於商業目的:廣告、有廣告分潤的 YouTube 頻道、付費課程素材都算商業使用。「只是當背景音樂應該沒關係」——錯，只要頻道有廣告收益就構成商業使用。片頭音樂要商用，在 Suno Pro 方案下生成。
六堂課路線圖
六堂課的邏輯:從概念到實作、從單一工具到整合工作流。
| 課 | 主題 | 學完能做什麼 |
|---|---|---|
| 第 1 課 | AI 語音全景(本課) | 知道該用哪個工具、哪些坑不要踩 |
| 第 2 課 | 文字轉語音:自然到聽不出是 AI | 做出品質達標的中文口播段落 |
| 第 3 課 | 聲音克隆:複製自己的聲音 | 不用每次錄音也能持續出內容 |
| 第 4 課 | Podcast 工作流:一個人做一檔節目 | 從腳本到剪輯的完整一人流程 |
| 第 5 課 | AI 音樂:Suno 寫歌與配樂 | 為自己的節目做原創片頭曲 |
| 第 6 課 | 綜合實戰:有片頭音樂的 Podcast 一集 | 端到端做完整一集 Podcast |
每一課都有作業，而且作業會是下一課的輸入素材——你不是在練習假案例，你是在一步步打造自己真正的節目。
作業
完成以下三件事，帶著成果進第 2 課:
- 開好三個帳號:Fish Audio、ElevenLabs、Suno，免費方案登入，確認介面正常
- 做比較試聽:同一段中文(30–50 字)放進兩個 TTS 各生成一次，寫下三個差異——這是第 2 課的起點
- 想清楚使用場景:口播？旁白？Podcast？配樂？這個答案決定第 2 課要深入哪個方向
下一課預告
第 2 課進入第一個實作主題:文字轉語音。深入 Fish Audio S2.1 Pro 和 ElevenLabs 的進階參數，學會用 [情緒語法] 讓 AI 語調有起有伏，做出一段 60 秒品質達標的口播成品。如果你現在的感覺是「AI 語音有點機器感」，第 2 課之後你很可能改變這個判斷。