短视频配音真人还是AI？30条视频实测的分工账

一个人做号，最先垮的往往不是选题，是嗓子。

我在深圳上班，做号是下班后的事。十月的天还热着，晚上八点多回到出租屋，打开补光灯开始录口播，楼下那户人家的装修电钻就准时响起来。第一条视频我录了十一遍，不是因为忘词，是因为每一遍听回放，都觉得那个声音"不像我"——越不像越紧张，越紧张越不像。

到第十条那天，嗓子彻底哑了。第二天上班开会，讲到一半发不出声，同事递来一瓶水，我看着他，忽然意识到一个问题：这个号才做了半个月，我的嗓子已经先透支了。

观众对声音的敏感度，比我预想的高

前十条视频全是我自己的声音。数据不好看，我一开始把原因归给封面和标题，直到翻留言才发现，观众对"声音"的关注远超我的想象。

十二条留言里，有七条在问嗓子："声音好累""是不是感冒了""多喝热水"。有一条我在地铁上用耳机麦录的，背景音里有报站声，底下直接有人问："你是在地铁里录的吗？"背景音这种东西，自己听觉得没什么，观众一听一个准。

后来我学乖了，正式录之前先用手机试录一遍听环境音——出租屋的隔音就那样，冰箱的嗡嗡声、隔壁的热水器、楼下的狗，全都听得见。环境音是躲不掉的，只能挑时段：晚上十点以后电钻停了，小区安静下来，那两个小时是黄金档。

也有意外收获。有一条视频我嗓子已经半哑，录的时候带上了老家口音，本来打算第二天重录，那天太晚就原样发了。结果那条的留言最热闹，评论区冒出来一堆老乡，有人说"一听就是川渝的"。原来口音不全是减分项，看它出现在哪种内容里。

哑掉的那一周，我开始认真试AI配音。试完第一版的感受是：我原来一直把它用错了地方。

分界线其实很清楚——凡是"我"不需要出现的内容，AI配音都能接得住。盘点类、清单类、资料整理类的口播，比如有一期讲深圳各区免费遛狗的地方，十几个点位挨个念，我自己读特别容易读串行，读到第九个点位就开始吞字。AI配音读这种稿子，一个点是一个点，稳稳当当，还不带情绪波动。

选声音这一步我折腾了两个晚上。一开始挑了最字正腔圆的那个音色，读出来像晚间新闻，跟我的内容完全不搭；换了个偏年轻、收着一点的，才对味。语速也试了一堆档位，一点零倍速偏赶，零点九又拖，最后停在零点九五——这个数没有道理可讲，就是耳朵听出来的。

时间账也在这里拉开。以前一条视频，光配音这一步就得起四十分钟：录、听回放、发现口误、重录、再听。现在的流程变成这样：稿子写完是深夜，让AI先读一版，第二天早上通勤的地铁上戴着耳机审一遍，中午休息时把气口和节奏微调一下，晚饭前发出。配音这一步，从四十分钟缩到十几分钟。

这三十条里，后面的二十条，有十三条用的是AI配音。

当然也有翻车的。有一期讲离别的稿子，我想省事直接交给了AI配音，成片发出去，留言里有人说"声音没感情，像在念说明书"，完播掉了一半。这条教训直接替我把分工线划好了。

那真人声音是不是可以退场了？三十条试下来，我的答案是：不能，但有条件。

第一样是观点。带立场的结论，观众想听的是"你"怎么说——同样的判断，真人说出来有拿不准的迟疑、有说到兴头上的那一下加重。观众接得住这种毛边，甚至喜欢这种毛边。

第二样是情绪的转折。有一条讲老家院子要拆的视频，我写到"门框上还有我小学量的身高线"，录到这句自己先停了半秒。那半秒的停顿，AI给不了。那条的留言也是最多的，好几个人说"听到这句我也想起我家"。

第三样是熟悉感。有位老观众后来留言说，"一听开头就知道是你"。这种感觉攒起来很慢，十条二十条地喂，丢了就是丢了。这也是我最后没有全盘转成AI配音的原因——省下来的时间，补不回这东西。

现在的规矩很简单：观点类、故事类，真人录；信息类、清单类，AI配音。封面用了统一的模板，声音不统一，观众居然也接受了——他们在意的是这条视频有没有讲出东西，而不是每一条都用同一个嗓子。

如果你也是一个人在做号，配音这件事上我只有三句话想说：

一，稿子先写得像人话。配音只是最后一层皮，稿子别扭，谁的嗓子都救不回来。我吃过这个亏：AI配音读我早期那些"新闻稿腔"的稿子，机器的稳和人稿的别扭叠在一起，完播率惨不忍睹。

二，别拿AI配音装成真人。观众不傻，露馅的那一刻，比"难看"更伤号。要用就大方用，别遮掩。

三，嗓子是耗材。别学我连着录十条，护着点，它比你想的脆弱。真哑了，AI配音还能顶几天；选题的灵感哑了，才是真麻烦。

对了，前两天我爸从老家打电话来，问我"是不是换话筒了，声音听着精神了"。我说爸，换的不是话筒，是方法。