什么是韵律？它如何塑造口语表达？

韵律是语音的节奏、重音和语调，即赋予词语超越字面定义之含义的模式。声调高低、语速快慢，以及重读的位置，都会影响语言的传达和理解。

韵律过去仅用于描述人类语言，如今对生成语音的 AI 语音工具也同样重要。它在 AI 是否显得像人方面至关重要：不仅要让词语和顺序正确，还要加入传达含义的细微抑扬变化。在客服或音频旁白等场景中尤其如此，一个词说得不对，就可能削弱整段信息的效果。

本文将解释韵律的定义、提供示例，并介绍它对 文本转语音（TTS）模型的重要性，帮助你了解如何让 AI 听起来、感觉上更像人。

摘要

• 朗读中的韵律反映读者对文本的理解，并有助于提升流利度。
• 韵律让文本转语音模型能够将纯文本转化为自然、拟人的音频。
• 可通过音色选择、音频标签和标点符号等工具，为 AI 语音添加韵律。

什么是韵律？

韵律是指语音中的音高、时长和强调模式。其中既包括声音本身的表达方式（如 音素），也包括词语背后的情感态度，例如是在说命令、提问或陈述，还是在讽刺。

评估韵律时，通常会关注 3 个要素：

• 节奏：语音的时机与速度如何形成模式。
• 语调：音高如何在整句话中升降变化。
• 重音：如何通过音高、响度或时长强调特定词语或音节。

能否控制这 3 个要素，正是 ====--ic 语音与能传达文字之外含义的表达之间的区别。

理解语音中的韵律：节奏、语调和重音

节奏、语调和重音看似简单，却包含许多细节，才能传达词语背后的感受。

下面进一步了解这 3 个核心要素如何影响语音。

节奏

节奏塑造停顿、语速和时机，为语音提供结构。法语和西班牙语等罗曼语族语言通常会为每个音节分配相同时间，而英语和德语的词语时机与语速变化更大。

节奏还会改变一句话带来的感受。缓慢、平稳地说“我们正在路上”，听起来会令人安心；快速说出同样的话，词语便会显得紧凑，营造出紧迫感。

语调

语调是指音高如何升降。它往往是区分疑问句和陈述句的关键。

以这句话为例：“Jim 赢得了比赛。”以句号结尾时，“比赛”的音高会与其余词语相同。但若要表达疑问（“Jim 赢得了比赛？”），结尾的音高就会上扬。

语调还能表达情绪。热情地说“你好！”时，音高会不同于失望或冷淡地说“你好。”

重音

重音是指如何强调一个词或词的一部分。

例如，单词“object”有两种含义。重音落在前半部分（“OB-ject”）时，说话者指的是名词；重读后半部分（“ob-JECT”）时，则变成动词。

在句子中，重音能突出某个词。强调“我在比赛现场见到了 Jim”中的“我”，会让听者知道重要的是谁在比赛现场见到了 Jim。相反，强调“比赛”，则会让听者关注在哪里见到了 Jim。

韵律如何影响阅读？

阅读中的韵律为词语提供语境。想想你为孩子朗读故事时的情形：如果不使用不同声线和变化的语调，孩子就更难理解角色的感受或场景所表达的内容。

韵律也是 衡量阅读流利度的可靠指标。语言流利的人能为书面文字加入韵律强调，表明他们不仅理解词语的字面含义，也理解页面上未直接写出的深层含义。

总体而言，韵律通过为词语和短语提供语境来提升读写能力和语言流利度；它还能将词语含义与其面向的受众或使用场景联系起来，减少误解。

为什么韵律对文本转语音模型如此重要？

无论来自脚本还是由 LLM 生成，文本转语音模型转成音频的文字起初都是纯文本。这些文字或许完全正确，但文本本身不包含语气、重音或情感。

想想 经典的 IVR 机器人对你说：“很抱歉，我没能理解。”这句话通常以平淡的韵律表达，因此多数听者不会觉得机器人真的在为带来的不便道歉。

再将这一场景与用于处理航班被取消后感到沮丧的客户的 AI 语音智能体作对比。

当 AI 智能体说“我理解你的感受，对此真的非常抱歉”时，回应会显得更像人，因为它并非一成不变。其中包含轻微的叹息、开头的停顿和低沉的语调，这些都和文字一样传达了歉意。

准确把握这些韵律要素，智能体就能缓和紧张气氛，而不是加剧用户的沮丧。

文本转语音模型的应用不止 AI 智能体。它们也为 ElevenCreative 的旁白配音、叙述和营销内容工具提供支持。正确运用韵律的 AI 语音可以帮助你：

• 旁白配音：制作真正吸引人的广告、讲解视频和社交媒体内容。
• 有声书：用恰当的情感色彩进行叙述，让角色的恐惧、喜悦或讽刺，如同人类叙述者般自然流露。
• 本地化：在不同语言中保留原内容的情感意图。
• 营销与品牌信息：保持音频语调一致，避免该轻快时听起来庄重，或反之亦然。

韵律让这一切成为可能。接下来，看看文本转语音模型实际如何生成韵律。

TTS 模型如何生成韵律

如今的 神经文本转语音模型（神经 TTS）通过在真实人类语音上训练的深度学习模型生成韵律。模型并非遵循手写的语音规则，而是学习文本与其朗读时实际声音之间的关系。

这一训练过程让 TTS 模型能预测一句话中的 3 项特征：

• 音高：声音应有多高或多低，从而形成语调。
• 时长：每个声音或停顿应持续多久，从而形成节奏。
• 能量：某个时刻应有多响或多轻，从而形成重音和强调。

例如，一个在数千小时人类语音上训练的模型，会听过无数表达难以置信的疑问句，如“等等，你做了什么？”。这类句子在最后一个词会伴随音高急剧上扬和能量爆发。模型通过反复接触学习这种模式，并在下次遇到表达同类难以置信的短语时采用相同的表达方式。

不过，模型生成这种表达时能利用多少语境，也取决于负责预测的架构。

较早的 TTS 模型采用流水线方式，一次处理一句文本，在生成音频前于独立网络间传递预测结果。较新的基于 Transformer 的模型则将这一流水线整合为单一的端到端流程。

模型不再孤立地读取单个句子，而是先阅读整段文本，再利用更广泛的语境决定一句话应如何表达。同样的词语，根据前后文不同，既可能成为笑点，也可能传达更沉重的意味。

例如 Eleven v3等模型会在生成音频前阅读完整段落，确保表达能反映周围文本的语境。

用户如何在 TTS 中控制韵律

用户可通过选择独特的 AI 音色，并在脚本中插入情绪标签来控制 TTS 韵律。ElevenCreative例如可让你访问 声音库，从超过 10,000 种音色中选择具备所需自然节奏和语调的声音。

Eleven v3是我们表现力最强的 TTS 模型，也提供 添加音频标签的选项，你可通过方括号在文本中提示模型呈现特定韵律元素。你或许想在句间加入笑声，以表达幽默、轻松、恶意或讽刺；也可以让语音模型用耳语或喊叫强调某个词。标点符号同样可以表达停顿、打断、感叹、提问或余音未尽的语音效果。

示例如下：

• “[laughing] 我讨厌游泳。”
• “[surprised] 真不敢相信他居然这么做！我很震惊……也很佩服。”
• “[annoyed] 别这么做！”

来看看实际效果：

有了这些工具，无需语言学或音频制作背景也能控制韵律。只要选择音色、添加标签或调整标点，任何人都能塑造 AI 语音的表达方式。

用 ElevenCreative 增强 AI 语音表现力

无论投放广告、发布社交媒体内容还是制作视频，你都希望它们听起来像真人制作并配音。

ElevenCreative 可让你在几分钟内批量生成音频和视觉内容。其 AI 原生平台能将书面文本转化为拟人语音，并根据说话者的语境、情感和意图进行调整。Eleven v3 支持超过 70 种语言，加上丰富的声音库，让你能更有把握地为受众设定恰当语调。

了解更多 ElevenCreative 上的 TTS，或注册开始使用，了解拥有自然韵律的 AI 语音如何改变内容创作。

韵律常见问题