TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
VoAI 中文配音驗收：讀音、停頓、格式與授權分四關檢查
VoAI 中文配音要驗收的不只聽感：破音字與數字讀法沒有修正工具，只能改寫文字稿；停頓在網頁版與 API 是兩套不能混用的語法；輸出格式與下載權限跟著入口與方案走；商用資格畫在付費牆與 AI 標示義務上。本文對照官方使用教學、API 文件、價格頁與授權協議，整理成四關檢查表與五個失敗症狀的排解對照。
用 AI 摘要這篇文章：
AI 配音生成完，離可以上線還有一段路：字有沒有念對、停頓有沒有落在想停的位置、下載到的檔案能不能進剪輯流程、這支成品可不可以收錢，四件事各有各的檢查標準。VoAI 是網際智慧與子公司絕好聲創營運的 AI 語音服務，官方定位超擬真台灣口音，提供 73 位 AI 聲優與 Mosa、Sota+、Neo、Classic 四個聲音模型。這篇把官方使用教學、Connect API 文件、價格頁與服務使用者授權協議攤開對照，整理成可以逐項打勾的驗收流程。
先畫清楚這篇的範圍。文內所有數字與規則都對回官方文件：使用教學的更新日期是 2026 年 11 月 11 日，服務使用者授權協議的版本日期是 2026 年 2 月 14 日。我沒有實際生成音檔，所以聽感、自然度這類要用耳朵判斷的項目，只提供檢查方法，不給評分；模型之間的好壞比較，也以官方自己的比較表為準。
驗收拆成四關：讀音（字念得對不對）、停頓（節奏控制用的是哪套語法）、輸出（拿到的檔案格式與下載權限）、授權（能不能商用、要不要標示 AI 生成）。每一關都有官方參數可以對照，驗收不再只是「聽起來還行」。
字念錯了沒有修正按鈕，只能回到文字稿改寫
先處理最容易讓人出戲的一關。中文配音常見的錯讀集中在三類：破音字（「重新」的「重」讀 ㄔㄨㄥˊ，「重量」的「重」讀 ㄓㄨㄥˋ）、中英混讀的品牌名與專有名詞、數字與日期的讀法。翻過 VoAI 官方使用教學與 API 文件，兩邊都沒有發音修正、破音字字典或數字讀法設定這類參數。換句話說，字念錯了沒有按鈕可按，唯一能做的是回到文字稿動手。
輸入端有幾個硬規則要先記住：短篇配音單次上限 1,000 字，句尾一定要加標點符號，注音符號與特殊符號不支援。實際的做法是把品牌名、常見破音字、數字寫法整理成一張對照表，拿真實稿件的一小段先跑一次，聽到錯字就回稿裡換同音字或調整句構，再重跑該段。不要只拿單句示範去判斷整篇，長句、數字與中英切換都會增加變數。
這裡有個容易誤判的點：介面上的試聽只播前 20 個字，官方文件明說「僅供參考，與實際結果可能略有不同」。試聽聽的是音色與風格，不能拿來代替整段驗收；完整檔案生成之後，標記點前後要再人工聽一遍。這一步沒有工具可以代勞，因為連自動轉錄都會出錯，轉錄對上了不代表讀音正確。
想像一個實際情境：為了讓引擎把某個品牌名念成英文原音，你把稿子改成拼音寫法，發音對了，字幕卻跟著變成奇怪的字串。所以發音稿與字幕稿要分成兩份維護：發音端換字求讀音，字幕端保留正確寫法；這套分工在做影片翻譯配音時是基本功，Linly-Dubbing 這類開源配音流水線也是靠同樣的原則在運作。長篇配音支援逐段單獨重新生成，改一段不必整篇重跑，這套分工在長稿上特別有用。
停頓有兩套語法，貼錯邊就完全沒效
停頓是最容易踩坑的一關，因為 VoAI 的停頓控制分成兩個世界。網頁版的短篇、長篇配音與虛擬人影片的 AI 生成語音用標籤語法：在文字裡想停的位置打上 [pause=short]、[pause=medium] 或 [pause=long]，對應約 0.3、0.6、0.9 秒。這組標籤只有 Sota+ 與 Mosa 兩個模型支援，標籤本身不會被念出來，下載的字幕檔也不會顯示標籤。
API 端是另一套。Connect API 的簡易端點 /TTS/Speech 不支援任何停頓標籤；要控制停頓必須走進階端點 /TTS/generate-voice，語法是 [:秒數]，例如 [:2] 表示停 2 秒。規則寫得相當具體：有效位數到小數點後一位、最多 5 秒（超過一律視為 5 秒）、兩個標記之間以及標記與開頭結尾之間的文字建議不少於 20 字。
把網頁版標籤貼進 API 文稿，或把 [:2] 貼進網頁版文字框，後果都一樣：停頓失效，或者標籤被當成內容念出來。停頓驗收時最該優先確認的項目就是：這份文稿走哪個入口，就用哪套語法，兩邊不能混。
長篇配音還有另一個停頓入口：段落之間可以用「新增靜音」插入 0.1 到 60 秒的停頓，不靠標籤。長篇每段上限 500 字、整個專案上限 8,000 字。做多角色對話時，段落間的靜音與句中的標籤是互補關係：前者管換氣與轉場，後者管一句話裡的節奏。
停頓語法綁在模型上，選模型之前先看官方比較表怎麼定位四個模型：
| 模型 | 官方定位 | 網頁版停頓標籤 | 官方評級摘要 |
|---|---|---|---|
| Mosa | 最新，台語配音 | 支援 | 支援台英與中英夾雜，各項評級良好 |
| Sota+ | 中英夾雜與旁白 | 支援 | 語調自然、中英切換順暢，各項評級良好 |
| Neo | Podcast 與廣告 | 不支援 | 語氣轉折流暢，英文流暢度、生成精準度與生成速度評級普通 |
| Classic | 舊版，長文與大量生成 | 不支援 | 穩定、生成速度最快，自然度與英文流暢度評級普通 |
這張表的定位與評級都出自官方使用教學的模型比較表，不是本站實測。要台語的專案沒有選擇空間：台語與台羅拼音（需帶調號）只有 Mosa 能生成，API 端的台語優先參數 nan-TW 也只對 Mosa 生效，其他模型帶了會被忽略，而且 Mosa 在 API 需要另行開通。
拿到的檔案由入口與方案共同決定
輸出這關看的是拿到的檔案。網頁版的音檔下載支援 wav 與 mp3，成品統一收在「生成紀錄」，可以播放、下載、產生分享連結與 QR Code；字幕檔在虛擬人簡報功能明確是 srt 檔，配音訂閱方案的輸出項目也列有字幕檔。驗收時把檔案丟進剪輯軟體播一次，同時打開字幕檔對時間軸，這關才算過。
API 端用 x-output-format 標頭指定格式，共三種：wav 是預設，完整生成後才回傳；mp3 檔案較小，適合網路傳輸；pcm 是串流模式，邊生成邊傳輸、延遲最低，但免費額度不含 pcm，要購買 API 點數才能使用。還有一個但書：音調參數 pitch_shift 設成非 0 時無法串流，即使指定 pcm 也會等完整生成才回傳。每次回應都會附 x-used-quota 標頭，標明這次消耗的點數，對帳可以直接從這裡讀。
採樣率用 x-sample-rate 標頭指定，可填 8000、16000、32000、44100，但上限跟著模型走：Classic 預設 44100，Neo 上限 32000，Sota+ 上限 24000，超過上限直接回 400 錯誤。要進後製或對接廣播規格的專案，這個數字先對清楚再生成。
下載權限是這關最容易誤會的地方。免費方案用 Mosa、Sota+ 生成只能試聽、不能下載，能下載的是 Neo 與 Classic；Starter 方案（月繳 NT$680）同樣只有 Classic 與 Neo 可下載；要到 Creator 方案（月繳 NT$1,990）才能下載 Sota+ 與 Mosa 台語。訂閱制的配音標榜不限字數，流量卻以整點計算：Starter 每個整點 3,000 字，Creator 每個整點 10,000 字，短篇與長篇分開計算，超出上限時畫面會提示可重試的台灣時間。短時間跑大批稿件時這個上限會直接決定產能。
網頁版與 API 的額度是兩本帳。網頁版訂閱吃字數流量與影像生成點數（虛擬人短影片 1 秒 10 點、簡報影片 1 秒 2 點）；API 走儲值點數、點數不會過期，語音合成 1 字 1 點、虛擬人影片 1 秒 200 點，方案有 A（NT$900、9 萬點）、B（NT$6,000、75 萬點）、C（NT$18,000、300 萬點）三種，模型支援清一色是 Classic、Neo、Sota+。把 VoAI 接進 ChatGPT 或 Claude 的 MCP 入口用的也是 API 這本帳，1 字 1 點，方便歸方便，計費邏輯沒有比較便宜。
驗收完成的成品要自己下載留存。授權協議寫明平台上的檔案資料保留一個月，期滿刪除，官方並保留調整這個期間的權利；實際時限只會更短：虛擬人專案自建立後保留 14 天（訂閱後新建的專案可保留 1 年），分享音檔連結 7 天後失效。想查詢或刪除自己的資料，透過 [email protected] 聯繫。把雲端紀錄當永久倉庫，一個月後就會體驗到什麼叫雲消霧散。
商用資格畫在付費牆與標示義務上
授權是最常被跳過的一關。VoAI 的服務使用者授權協議把商用資格畫得很清楚：未付費的帳號（包括只用 API 免費額度的），生成內容僅限個人非商業用途，明文禁止的範圍包括廣告、宣傳、銷售、付費課程，以及上傳到開啟營利或會員分潤的影音平台，條文直接點名 YouTube、TikTok、Bilibili。免費方案生成的影片放上 YouTube 開營利，這條就已經踩線。
付費用戶拿到的是「完整且永久」的商業使用權，範圍涵蓋旁白、配音、影片、遊戲、電影、有聲書、Podcast 等內容，包含重製、改作、散布與再授權。但這個權利有明確的但書：一旦違反協議的禁止用途條款（清單涵蓋色情、詐騙等違法內容，也包括把生成內容拿去訓練 AI 模型），所有授權從違約之日起全部終止，而且必須刪除所有生成內容。商業權利不是買斷後隨便用，違約回收的是整包。
授權協議 2.4 條還有一條多數人沒注意的義務：把生成內容提供給終端用戶時，必須明確說明對方看到或聽到的內容由 AI 生成；沒做這個標示，導致第三方權益受損，公司不承擔責任。換成驗收語言：影片說明欄或片尾有沒有標示「配音由 AI 生成」，本身就要列進上線前檢查表。
API 端還有一道錢坑要避開：為了保護版權，從未購買過 API 點數的帳號，產出的音檔都會含背景音樂或浮水印，連網頁版的 Starter、Creator 訂閱戶也一樣。背景音樂跟著 API 帳號走，與網頁版訂閱無關；API 帳號買過任何點數，這個問題就不存在。如果你的驗收清單裡有「音檔乾淨無雜音」這一項，先確認帳號狀態再怪罪模型。
對資料流向敏感的團隊，協議也揭露服務使用 Google Cloud Platform、Microsoft Azure 與 RunPod 三家外部雲端。這是雲端服務的常態，不是 VoAI 特有的問題，但有內部資料規範的組織在採購前應該知道這件事，評估時可以把它與開源配音工作台 VoiceStudio 這類本機處理路線放在一起比較。
五個常見症狀，各自對回一個原因與回復動作
| 症狀 | 最可能的原因 | 回復動作 |
|---|---|---|
| 標籤被當成文字念出來 | 網頁版標籤貼進 API 文稿，或 [:秒數] 貼進網頁版文字框 | 改用對應入口的語法，重跑該段 |
| 停頓沒有出現 | 模型不支援標籤（Neo、Classic），或停頓語法用錯端點 | 換 Sota+ 或 Mosa，改走進階端點；段落間停頓改用長篇靜音 |
| 指定 pcm 卻收到 400 錯誤 | 免費額度不含 pcm，或採樣率超過模型上限 | 購買 API 點數；降到模型上限內，或改用 wav |
| 生成完成卻找不到下載 | 方案對該模型只有試聽權（免費與 Starter 的 Mosa、Sota+） | 升級 Creator，或先用 Neo、Classic 完成驗收流程 |
| 音檔裡有背景音樂 | API 帳號從未購買過點數 | 購買任一 API 點數方案，或改從網頁版輸出 |
排解的順序很重要：先確認入口（網頁版、API 的哪個端點，或 MCP），再確認模型，最後才看方案。三層任何一層對不上，症狀表面上看起來像故障，往下追其實是方案邊界。把這個順序固定下來，可以少走很多重複生成的冤枉路。
收成一張上線前檢查表
四關走完，驗收清單可以壓成八個格子：
| 關卡 | 檢查項 | 通過標準 |
|---|---|---|
| 讀音 | 常錯詞對照表與完整複聽 | 標記點前後人工聽過，沒有未處理的錯字 |
| 讀音 | 發音稿與字幕稿分離 | 字幕維持正確寫法，發音端可自由換字 |
| 停頓 | 語法對入口、模型有支援 | 標籤沒有被念出來，停頓落在指定位置 |
| 停頓 | 秒數對照官方值 | 網頁版約 0.3／0.6／0.9 秒；API 在 5 秒上限內 |
| 輸出 | 格式與採樣率 | wav 或 mp3 符合後製需求，採樣率在模型上限內 |
| 輸出 | 下載權限與留存 | 只把可下載的模型納入流程，成品自行保存 |
| 授權 | 商用資格與 AI 標示 | 付費方案生效中，對外已說明由 AI 生成 |
| 授權 | 內容用途 | 不落入禁止用途清單，包含訓練 AI 模型這一項 |
兩種情況建議先停下來：免費帳號但成品要商用的人，先處理方案再驗收；依賴 Mosa 台語卻要走 API 的團隊，先向官方確認開通狀態。方案價格、模型權限與停頓規則都會變動，這篇文章的數字以 2026 年 11 月查核的官方文件為準；真正簽約或大批生成之前，回 voai.ai 的價格頁與 Connect API 文件再對一次最新的表。如果你的需求是多語市場發佈，也可以把這套四關驗收法直接搬到ElevenLabs Studio 4.0 這類把配音與剪輯收進同一時間軸的工具上用，檢查的骨架是通用的；要逐句控制語氣與讀法的專案，Gemini 3.8 Flash TTS 的逐句導戲路線也值得放進同一輪比較。
