AI 有声书怎么做？从选书到上架的完整流程

开头先说最重要的一件事：先确认平台允不允许 AI 配音，再动手。

有些平台明确要求真人录制，违规上传的后果是下架、扣分，严重的封号。做完一整本才发现不能传，是这一行最常见的白干。

项目全貌见AI 音频制作：完整案例拆解(https://aistacknav.com/fuye/ai-yinpin-zhizuo/)。

第一步：搞清楚两种合作模式

模式一：按成品小时结算

平台或版权方派单，你交付成品音频，按小时结算。

参考价：150–600 元/小时成品。

优点：收入确定，做完就拿钱。
缺点：一次性，没有长尾。

新手建议从这个模式开始。

模式二：平台分成

你选平台授权书库里的书来做，上线后按收听时长或订阅分成。

优点：做得好有长尾收入。
缺点：收益完全取决于书的热度，而不是你的水平。

一本冷门书做得再好，也可能一个月分几十块。而分成模式的宣传里，展示的往往是头部案例。

不要把分成当主要收入预期。 可以作为按小时结算之外的补充。

第二步：版权，这一行最大的雷

做有声书最大的风险不是声音，是内容。

未经授权把他人的小说、书籍、文章做成音频发布，是明确的著作权侵权。

安全的文本来源

✓ 平台授权书库：平台已经拿到了版权，你只负责制作。这是最安全的来源。

✓ 客户自有内容：企业的培训材料、机构的课程、作者本人的作品。

✓ 公有领域作品：著作权保护期已过的经典。注意翻译作品的译文另有版权，古籍的现代译本不一定能用。

✓ 自己创作的内容。

不能碰的

✗ 网上找的热门小说，即使”只是试试”
✗ 已出版书籍的扫描或摘录
✗ 别人的付费课程内容
✗ 来源不明的”资源包”

“我不发布只是练习”不构成抗辩——一旦上传到任何平台，就是发布。

声音端的红线见AI 配音的声音权红线(https://aistacknav.com/fuye/ai-peiyin-shengyin-quan/)。

第三步：选书

如果是分成模式，选书直接决定收入。

优先选的：

有稳定读者群的类型：都市、悬疑、历史、职场
对话占比适中的：纯叙述容易单调，对话过多则 AI 的情感表现力不够
章节长度规整的：便于批量处理和排期
还没有音频版的：已有真人版的书，AI 版很难竞争

避开的：

情感浓烈的言情和虐文：AI 的情感表达是短板，听众会不买账
大量方言、外语、生僻字的：文稿处理成本极高
多角色群像戏：单音色撑不住，多音色成本又太高

一条现实建议：先做一本短的（10 万字以内）跑通全流程，再做长的。第一本一定会踩坑，踩在小本子上代价低。

第四步：文稿处理（决定成品质量的一半）

TTS 读错，八成是文稿的问题。

必须处理的六类

1. 多音字：行、长、重、乐、朝、还、的地得

2. 人名地名：小说里的生造名字，TTS 一定会读错。建一张全书人名读音表，开工前统一处理。

3. 数字：年份、金额、编号，读法完全不同。”2026年”读”二零二六年”，”2026元”读”两千零二十六元”。

4. 英文与缩写：字母逐个读还是按词读，要统一。

5. 断句：长句拆短，用标点控制停顿节奏。

6. 特殊符号：破折号、省略号、括号里的注释，要决定读不读。

建一张读音修正表

把每次踩的坑记下来，新稿子过一遍。这张表用半年之后，会成为你最值钱的资产——它决定了你的返工率，也就决定了你的实际时薪。

第五步：音色与参数

整本书固定一个音色，绝对不能中途换。

听众对音色形成记忆后，换音色的体验是断裂的，会直接导致弃听和差评。

选音色看三点：

和内容气质匹配（悬疑要沉，都市要轻快）
长时间收听不累（有些音色听十分钟舒服，听一小时刺耳）
商用授权明确

语速通常调到比默认稍快。 有声书的默认语速往往偏慢，听众会不耐烦。但比口播类要慢一些，因为听众是在做别的事的时候听。

第六步：合成与试听

必须全程听，不能抽查。

TTS 的错误是随机的——同一个词这一章读对了，下一章可能读错。抽查挡不住。

试听时标记三类问题：读错的字、不自然的停顿、情绪不对的段落。

时间预估：一小时成品，试听加标记大约 1.5 小时。加上文稿处理和后期，一小时成品的总投入是 3–4 小时。

按这个算，150 元/小时的单价，实际时薪不到 50。这就是为什么不能按字数报价，也不能接太低的价。

第七步：后期

响度统一：这是最容易忽略也最影响体验的一项。听众在切换章节时听到忽大忽小，会直接关掉。

章节间隔：每章开头留半秒到一秒的静音，结尾同理。

去除异常：拼接处的底噪差异、过长的停顿、爆音。

片头片尾：按平台要求加，不要加太长——听众每章都要听一遍。

第八步：上架与合规

□ 确认平台允许 AI 配音（再确认一次）

□ 按平台要求的格式和码率导出

□ 添加 AI 生成标识

□ 章节命名和排序正确

□ 保留授权凭证（音色授权 + 文本授权）

产能与排期

熟练之后，单人一天能产出 2–4 小时成品音频（包含全部环节）。

一本 30 万字的小说，成品大约 15–20 小时音频，总投入 50–70 小时。

排期建议：不要连续做同一本。全程试听是高度消耗注意力的工作，连做三小时之后错误检出率会明显下降。分成上午下午两段，中间做别的。

一个提升效率的方向

文稿处理和批量合成是可以脚本化的。

把读音修正表做成自动替换规则，把分章合成做成批处理，能把单本的处理时间压缩三到四成。这也是这条路径从”零工”变成”产线”的关键一步。

试听和判断没法自动化，那部分是你的核心价值。