最近我注意到一個趨勢：各大短視頻平臺上，AI 生成的內容慢慢多了起來，而且其中有很多創(chuàng)意不錯的內容，點贊和評論數(shù)據(jù)都很好。用 AI 來去制作一些之前沒辦法實現(xiàn)，或者實現(xiàn)成本很高的內容，我感覺這里面是有機會的。

上個月，我曾經做過一個 Demo，思路是利用最新的 AI 工具，通過視頻的方式來重新演繹中國歷史上那些經典老故事，比如女媧補天、牛郎織女、岳飛抗金、花木蘭替父從軍、貍貓換太子、穆桂英掛帥、梁山伯與祝英臺。

今年，AI 在多模態(tài)方面取得了十足的進展。我判斷做這事的時機到了。視頻不難做，目前行業(yè)內有不少的視頻模型，生成的效果基本能夠實現(xiàn)我剛剛提到的構想。但視頻畫面只是一部分，完整的視頻還包括貼切的配音。

那次和團隊熬夜做完視頻后，我發(fā)現(xiàn)在國內外比較難找到好的 AI 音頻類產品。

ElevenLabs 是全球知名的 AI 音頻創(chuàng)業(yè)公司，但測試后，我們發(fā)現(xiàn)它在中文方面的表現(xiàn)實在難以令人滿意，它對中文語義的理解比較弱，而且在很多字句上，機器味比較明顯。折騰半天，結果很讓人失望。

昨天，我和團隊無意間發(fā)現(xiàn)了一個國產寶藏產品，MiniMax 語音。下面是鏈接：https://www.minimaxi.com/audio

說起來有點慚愧，MiniMax 的視頻生成和通用 Agent 我一直在用，但音頻生成產品還真沒怎么注意過。六月時，MiniMax 發(fā)布了新一代語音大模型 Speech-02，最大的亮點就是語音合成效果接近真人，而且還能還原停頓、重音強調等表達細節(jié)。

這個模型曾經拿下 Artificial Arena 和 Huggingface 的榜單第一，語音相似度（SIM）在各種語言中表現(xiàn)都不錯，尤其是在中文、粵語、日語這些亞洲語言上，準確率和表現(xiàn)直接把 ElevenLabs 甩開了一大截。

今天，我想繼續(xù)來完善 AI 視頻案例。用 MiniMax語音的音頻能力，給我的花木蘭視頻，配上合適的音頻。

《木蘭辭》大家肯定耳熟能詳，現(xiàn)在我兒子都倒背如流。這首詩確實寫得好，很容易讓人記住。但讓 AI 來朗誦并沒那么簡單。因為木蘭辭全詩中，不同部分表達的情緒是不一樣的。

比如開頭幾句，主要是寫木蘭在家織布，聽到征兵的消息后，內心焦急、憂愁、思慮父親年老，決心代父從軍。如果朗讀的話，應該表現(xiàn)出來花木蘭的憂愁和勇氣。

緊接著是從軍準備，描寫木蘭買馬、備鞍、辭別家人。這一段既有出征的決絕，也帶著告別親人的柔情。情感比較復雜，需要表達出她的眷戀。

再后面是沙場征戰(zhàn)，這里寫木蘭在軍隊中的艱苦、跋涉、奮戰(zhàn)....總之，不同的內容，需要的情感是不一樣的，如果用一個調讀下來，那自然很假。

我們團隊用 MiniMax 語音，僅花了兩個小時時間，完美生成了自己中意的音頻。先給大家聽聽效果。

你應該能感覺出來，我按照自己對這首詩的理解，讓 AI 來演繹對應的情感。該眷戀的時候突出眷戀，該果敢的時候則突出果敢。至此，我終于找到一款好用的 AI 音頻產品了。

接下來講講我是怎么做的。

整體來說，分三步。

第一步是音色設計。音色，其實就是聲音給人的第一感覺，是男是女，是年輕還是成熟，是清亮還是低沉，每個人說話都有自己的底色。

第二步再把內容拆分成小段，然后針對每一段去微調音色和情緒，讓表達更貼近內容本身。

最后一步就簡單了，我們用工具把所有的音頻片段拼在一起，形成一條完整的語音。

進入 MiniMax 語音主頁（直接搜索 MiniMax，點擊語音大模型也可以直接進入），點擊左側的“音色設計”菜單，可以通過提示詞來設計自己期望的音色。

如果不知道提示詞怎么寫，那也可以直接選擇提示詞輸入框下方的預定義角色，官方已經預置了一些提示詞模板，我們可以在此基礎上優(yōu)化。

點擊音色生成按鈕后，系統(tǒng)會直接給出三個備選的音色。哪個更貼近自己的預期，選哪個就好。

因為我的目標是給《木蘭辭》配音，所以在進行音色設計時，我輸入了以下提示詞：

女聲，堅定而柔和，堅毅中帶溫柔；語氣自然、有力量，充滿忠誠與家國情懷；適合古代英勇女性角色；帶有輕微古風韻味，但不過度夸張；表達清晰，情感豐富，可傳達隱忍、果斷與柔情交織的情緒。

最終生成的音色我們可以在音色庫中找到：

其實到這一步，音色設計就已經完成了。接下來，就要進入到最最重要的第二步了。不過在正式介紹音頻制作過程前，我先分享幾個我認為 MiniMax 語音很貼心的設計細節(jié)。

第一，MiniMax 語音支持對句子之間的停頓時間進行精確控制。以前我用其他 AI 工具生成音頻，經常遇到 AI 不會合理分配停頓位置和時長，聽起來總覺得不自然。這事其實挺麻煩，過去我們只能靠手動剪輯去補救。

而 MiniMax 語音考慮到了這一點，如果我們需要在哪句話后面停頓，只要插入一個指令就行。舉個例子，比如我想在某個詞后停頓 0.8 秒，直接插入 '<#0.8#>' 指令。非常簡單。

第二，在生成過程中，它支持對音色效果和情緒進行細微的調節(jié)。這一點對我而言，太有用了。要不然，想讓 AI 通過一個音色來詮釋不同情感的內容，挺難。

下面進入音頻制作具體過程。我對《木蘭辭》進行了結構和情緒上的拆分。

全詞大致可以分為七個部分：開頭是平靜的敘述，隨后是看到征兵時的憂傷，決定替父從軍時的果斷，出征準備時的溫情，沙場征戰(zhàn)時的激烈與英勇，凱旋歸來后的釋然與平靜，最后是與家人團聚時的溫馨和自豪。

每一部分的情緒和表達方式都各不相同，因此我在制作時也會針對不同情感進行分段處理。

先來看第一部分的內容：唧唧復唧唧，木蘭當戶織。不聞機杼聲，唯聞女嘆息。

這兩句話主要是對花木蘭日常狀態(tài)的平靜描寫，情緒相對平穩(wěn)。因此在音頻生成時，我沒有對輸出情緒做過多調整。但為了讓語音聽起來更自然，我在兩句話之間特意插入了 0.4 秒的停頓（'<#0.4#>'），讓表達更有層次感。

與此同時，我還在右側的調試臺，單獨調整了音色效果。你看下方界面，有點像美顏軟件調整一張照片的曝光、鮮明度、亮度等細節(jié)，我可以調整聲音效果，讓它更低沉，或者更有力量感。

下面是 MiniMax 語音生成的效果：

作為對比，我用 ElevenLabs 也做了一次測試。你一聽就能知道差距。

ElevenLabs 好像很多漢字不認識，遇到點生僻字時就亂了，比如第一句機杼聲的杼字，它就念錯了。而且它整體的表達狀態(tài)不像是純正的中文表達，中間總是隔了怪怪的一層，說不上來哪里不對勁。

現(xiàn)在來看，中文音頻的生成，還得是 MiniMax 語音這種更懂本土文化的產品做得更好。

我繼續(xù)演示下第二部分的音頻生成過程。第二部分的詩文內容是：問女何所思，問女何所憶。女亦無所思，女亦無所憶。昨夜見軍帖，可汗大點兵，軍書十二卷，卷卷有爺名。

這一段主要描述花木蘭看到征兵告示時的無奈。沒辦法，家里父親老了，木蘭又沒大哥......她在醞釀一個重要的人生決定。生成這部分內容的音頻時，我把輸出情緒調整為“難過”，并適當提升了音調。

同時，我還對音色效果進行了相應調整，讓聲音更好地傳達出花木蘭當時的心境。當然，這個心境也是我的個人解讀。

做這個音頻的過程，還挺有意思，依稀想起小學還是初中時，搖頭晃腦背誦詩文的場景。那時候哪能理解到花木蘭作為一個中年人的無奈和勇敢啊。

最終生成的音頻效果如下：

后續(xù)的各個部分制作過程大致相同，我就不一一介紹了。主要邏輯就是根據(jù)內容，調整音色效果、輸出情緒和停頓位置。該輕松的時候語氣要輕松，該凝重的時候要凝重。

MiniMax 語音在產品層面已經做了非常周全的封裝，沒什么上手難度，只要有耐心，做出一個 80 分的音頻其實不難。

第三步，把剛剛所有分段音頻合并，就能得到完整的音頻。

這次嘗試，我自己還是挺滿意的。像花木蘭這樣的經典故事，過去要一群人合作、花不少精力才能做出來，現(xiàn)在小團隊，甚至一個人，也能慢慢還原腦海里的那些畫面和情緒。

現(xiàn)在注冊 MiniMax 語音官方會贈送 1 萬積分。這些積分大約能生成 12 分鐘的音頻，做一整首《木蘭辭》完全沒問題，想嘗鮮的同學可以試試。

不過，大家肯定也關心，長期使用的話，他們的會員套餐劃不劃算。我橫向對比了一圈市面上的音頻產品，MiniMax 語音的套餐選擇絕對是最靈活，性價比最高的，沒有之一。

另外，MiniMax 語音的計費方式也很人性化，想用多少就買多少聲貝（積分），積分有效期還比月度員長得多。比如最低的 10 萬聲貝套餐，也就 20 塊，一頓外賣的錢，隨用隨充，非常方便。

反觀 ElevenLabs，得 11 美元，而且只有一個月有效期。性價比高下立判，連老外都說 MiniMax 更良心。

AI 工具進步得很快，很多原本以為麻煩的事情，現(xiàn)在已經簡單到只需要花點時間摸索就能搞定。

不少好點子，擱在以前都是想想就算了，現(xiàn)在真有機會試一試。也許你喜歡歷史，喜歡體育，喜歡地理，喜歡游戲，總之，你肯定有自己喜歡和擅長的事情，也許可以結合自己的特點，然后借助 AI 工具，創(chuàng)作一些好的內容。