工具實測／HANDS-ON TEST
ElevenLabs 中文旁白實測：591 字長旁白的聲線與驗收
591 字中文旁白的聲線選擇、生成與交付驗收紀錄。
中文 AI 配音最常被問的一句是：「念長稿會不會念錯字？」與其聽說法，我們直接拿一支已上架的影片來驗：《幽冥異聞錄 VEILED LORE ATLAS》〈民雄鬼屋 EP02〉的旁白，全篇 591 字、ElevenLabs Ethan Zhang 聲線、一次錄完整段，再用語音辨識逐字比對定稿——結果和驗收方法都公開在這裡。
- 環境 ENVIRONMENT
- 《幽冥異聞錄》〈民雄鬼屋 EP02〉V2（2026-10-14 發佈於 FB 粉專 Reel）
- 工具 TOOLS
- ElevenLabs，聲線 Ethan Zhang；旁白稿簡體中文 591 字（含標點）、10 段
- 成品
- 旁白音檔 160.84 秒，語速約每分鐘 220 字（591 字 ÷ 160.84 秒換算）
- 驗收 VERIFICATION
- faster-whisper large-v3-turbo 轉寫＋正規化逐字比對，10 段全數 ASR_VERIFIED
ElevenLabs 念中文長稿可以一次到位：591 字、10 段，逐字驗收全數與定稿一致。真正的功夫不在錄音，在驗收——ASR 比對抓出的差異，有一半是辨識工具把同音字聽錯，必須人工聽審裁決，不能看差異表就判錄音死刑。
這次實測的設定是什麼？
旁白稿不是隨手寫的散文。它出自網站檔案 LOC-0011（民雄鬼屋查證檔案），先照證據分級把事實底稿定案，再寫成 591 字的電影級懸疑紀錄片旁白——無說書人腔調、全篇簡體（本系列的固定規格）、先鎖稿再錄音。錄音在 ElevenLabs 進行，聲線用 Ethan Zhang（中文男聲），成品是一支 160.84 秒的完整旁白音檔。
順序很重要：先鎖稿、再錄音、再逐字驗。如果稿子還在改，驗收就沒有基準；我們的做法是旁白稿經批准鎖定後，錄音的唯一任務就是「一個字都不差地把它念出來」，驗收也只驗這一件事。
逐字驗收怎麼做？結果如何？
驗收方法是機器比對＋人工裁決，兩段缺一不可：
- 用 faster-whisper（large-v3-turbo）把成品音檔轉寫成文字；
- 轉寫與鎖定稿做正規化比對（標點、數字寫法先統一再比），逐段給出對位信心；
- 所有差異逐條人工聽審，判定是「錄音念錯」還是「辨識聽錯」。
結果：10 段全數對應——無漏句、無增刪、無改序，逐段對位信心 0.875–1.000。逐段時間與信心如下（完整時間戳存於製作檔 sentence_timestamps.csv，下游剪輯直接拿這張表對位鏡頭）：
| 段落 | 內容起訖 | 時長 | 對位信心 |
|---|---|---|---|
| N01 | 1949 年，嘉義民雄…… | 6.44 秒 | 0.941 |
| N02 | 有個小兵說，窗外有白影…… | 17.92 秒 | 0.972 |
| N04 | 這棟樓叫劉家古厝，1929 年…… | 22.14 秒 | 0.875 |
| N07 | 只是這個故事，沒有任何文獻…… | 21.54 秒 | 0.960 |
| N08 | 如今，這棟樓成了觀光景點…… | 18.72 秒 | 1.000 |
| N10 | 這棟樓真正可怕的不是鬼…… | 11.96 秒 | 0.961 |
（其餘 N03、N05、N06、N09 皆通過，信心 0.96–1.00；旁白敘事段落 0.00–160.02 秒，尾韻約 0.8 秒。）
ASR 抓到的「錯誤」，為什麼一半是假警報？
比對表上確實跳出一排差異——但逐條聽審後，全部是 ASR 把同音字寫錯，錄音本身念的是對的：
| 定稿（錄音實際發音） | ASR 誤轉 | 類型 |
|---|---|---|
| 國軍 | 國君 | 同音字 |
| 連長 | 連掌 | 同音字 |
| 校史 | 校實 | 同音字 |
| 古厝 | 古廁 | 同音字 |
| 亭榭 | 停洩 | 同音字 |
| 1200 坪 | 一千兩百平 | 數字讀法展開＋量詞誤識 |
| 七十年 | 70 年 | 數字寫法正規化差異 |
這張表是本篇最想分享的東西：用 ASR 驗 TTS，差異表不能直接當成績單。中文同音字密度高，辨識端必然在同音字上翻車；若不做人工裁決，你會把一支完全正確的錄音退回去重錄，或者反過來——把裁決做成橡皮圖章，真的念錯也放行。我們的規矩是：差異逐條聽原音裁決，裁決結果寫進 QA 紀錄，判定才算成立。
還有一個反方向的例子：驗收過程中，一份手機轉寫把稿中的「2022 年」寫成「2020 年」，一度像是錄音念錯年份——回聽原音，錄音念的是 2022，錯的是那份轉寫。檢查工具會犯錯，這件事在工作流裡要當成常數，不是例外。
中文長稿真正的風險點在哪？
591 字全對，不代表中文 TTS 沒有地雷；這次的稿子剛好把地雷都踩過一遍，列出來給要錄長稿的人對照：
- 年份與數字：稿中出現 1949、1929、1945、2022 四個年份與「1200 坪」一個帶量詞的數字。數字是 TTS 最容易讀錯形式的地方（逐位念還是整數念、量詞對不對），驗收時優先抽聽這幾處。
- 專有名詞：劉家古厝、亭榭、嘉義民雄——生僻詞與地名是第二雷區，古厝、亭榭正是 ASR 端翻車、需要人工確認發音的詞。
- 長段落的呼吸：最長一段 22.14 秒（N04），一句接一句的資訊密度高；Ethan 的語速全篇約每分鐘 220 字，是紀錄片敘事的穩速，沒有在長段尾端加速或含糊——這是聽審的主觀判定，寫明是主觀。
失敗與限制：這次沒測到什麼
照本站規矩，這一段不省略：
- 只測了一個聲線、一種文體：Ethan Zhang × 懸疑紀錄片旁白。其他聲線、女聲、說書或廣告文體不在本次結論範圍。
- 稿子是「好念」的稿：先鎖稿的流程也包含把稿子寫順——沒有生僻多音字連發、沒有中英混排的技術詞。真實世界的稿子若滿是英文縮寫與型號，難度是另一回事，本篇未測。
- 成本未留紀錄：本次錄製未記錄 ElevenLabs 的方案與字元消耗數字，照本站規矩不編數字；要算單集旁白成本，需另行查證當期方案後另文處理。
- 驗收抓不到「情感不對」：逐字驗收只能保證「念對」，保證不了「念得好」。語氣是否符合畫面，仍靠人耳聽審全篇，這一步沒有自動化。
VERDICT・結論
推薦——做中文長篇旁白，ElevenLabs（本次聲線 Ethan Zhang）可以一次錄完整段並逐字過關，我們已在上架影片實證。附帶條件有二：① 先鎖稿再錄音，驗收才有基準；② 驗收用 ASR 比對＋人工同音字裁決，缺了裁決這一關，差異表會冤枉好錄音、也可能放行壞錄音。年費或字元成本不在本次紀錄內，選購前請以官方當期方案為準。
出處與延伸
- 〈民雄鬼屋 EP02〉V2 Source QA 與衝突清單（2026-10-14）：旁白逐字驗證方法、10 段判定與 ASR 差異清單出自此處。
- 旁白句級時間戳表 sentence_timestamps.csv（《幽冥異聞錄》製作檔）：逐段起訖時間、時長與對位信心出自此處。
- 旁白定稿 narration_final_zh-CN.txt 與底稿 LOC-0011：591 字定稿全文與證據分級出自此處。
常見問題
ElevenLabs 念中文長稿準嗎？
以本次實測為準：591 字、10 段旁白逐字驗收全數與定稿一致，無漏句、無增刪、無改序。前提是稿子先鎖定、寫順，驗收再用 ASR 比對加人工裁決；生僻專有名詞與數字仍是最需要抽聽確認的位置。
旁白驗收實際怎麼做？
三步：faster-whisper 把成品轉寫成文字→與鎖定稿正規化逐字比對、逐段算對位信心→所有差異逐條回聽原音人工裁決。中文同音字多，ASR 差異有一半是辨識端聽錯，跳過裁決就會誤判。
語速大概多快？適合什麼文體？
本次成品 591 字念了 160.84 秒，約每分鐘 220 字，是紀錄片敘事的穩速。逐段時長 6.4 秒到 22.1 秒不等，這份時間戳表同時就是剪輯對位的依據。
為什麼旁白稿用簡體？
《幽冥異聞錄》的全系列固定規格是簡體字幕與簡體稿，錄音稿與字幕稿用同一份文字，省去兩套文字對位的成本與出錯機會。這是頻道規格的選擇，不是 ElevenLabs 的要求。
錄一集旁白要多少錢？
本次錄製沒有留下方案與字元消耗的紀錄，照本站規矩不編數字。ElevenLabs 採訂閱制、按字元計費，591 字屬小量，但實際單集成本請以官方當期方案查證為準。
🧰 想挑 AI 配音工具？
ElevenLabs 和其他配音、影片工具的評測、價格與適用場景，我們在 DC Affiliate 持續實測更新——一樣附成本，一樣寫失敗。
相關閱讀
