碎片化音訊 SOP

1. 主播音訊碎片化

音訊切分

• 找一個與你自己商品品類相同的直播間。錄下的音訊必須乾淨、無雜訊、咬字清晰；聲音要帶有情緒，說話節奏不宜過快。
• 使用下方免費軟體錄製直播間，再將影片匯入 CapCut (Jianying)，分離音訊，只匯出 WAV 音訊。
• 在 Syntopia 數位人用戶端的左側導覽列找到 [工具]，點進去，找到 [碎片化音訊切分] 功能來切分音訊。

免費錄製軟體：📦 [Zip Archive] StreamCap_1.0.1_Win_x64(2).zip

（檔案大小：93.6MB，隨本文件匯出；請見同一目錄下的檔案）

• [碎片化音訊切分] 會在聲音停頓處切分音訊，因此待切分的音訊在每句話講完後都必須有明顯的停頓。
• 換氣點切分對主播說話的流暢度要求很高 — 否則切出來的片段會明顯有斷裂感。
• 切分完成後，你可以透過檢查每個音訊檔的檔名（檔名即該片段的轉錄文字）來辨識切分不佳的音訊片段，並據以修正。

圖中顯示 AI 數位人直播平台工具列中「碎片化音訊切分」功能的操作介面。介面頂部為「工具」標題，下方有三個功能選項：「話術辨識」、「碎片化音訊切分」與「語音轉換」。在「碎片化音訊切分」下方有三個參數欄位：「音量低於此值視為候選靜音切分點」、「最短時長（秒）」與「最長時長（秒）」，分別對應編號 1、2、3。下方是「選擇音訊檔」按鈕，對應編號 4。此圖與周圍文字所述的主播音訊碎片化流程相關，直觀呈現操作介面與參數設定。

圖中顯示一個電腦資料夾介面，資料夾名為「Yali_碎片化音訊」。資料夾內含多個音訊檔，檔名皆以「0_But this line's…」開頭，副檔名為 .wav，例如「0_But this line's bitter tears, does any sister feel the same as me, in order to…」等等。右側有一個「播放」按鈕。此圖與文件中「主播音訊碎片化切分」一節相關，說明可透過檢查音訊檔名來辨識並處理切分不佳的音訊。

語音轉換

當錄下的直播間音訊音色與你想呈現的音色不同時，你可以使用語音轉換來更改音色。

例如，若你希望數位人的聲音聽起來是女聲，但錄下的直播音訊是男聲，你可以用語音轉換把男聲轉成女聲。

即使兩者都是女聲或都是男聲，仍需使用語音轉換以確保音色一致 — 否則直播間最終呈現的聲音會顯得突兀。

使用語音轉換前，音訊必須先經過碎片化切分，然後才能轉換。

圖中顯示數位人直播平台的音訊處理介面，用於依靜音停頓將長音訊切分為片段。介面頂部是「選擇音訊檔」按鈕，下方為音量閾值、最短時長與最長時長的設定，分別對應候選靜音切分點（音量低於此值）、最短時長（秒）與最長時長（秒）。圖片底部一個紅色箭頭指向「選擇音訊檔」按鈕，並附有文字說明「先將錄下的直播音訊碎片化」，呼應周圍文字所述的主播音訊碎片化流程。

圖中顯示語音轉換的操作步驟。頂部文字說明轉換後選擇目標音色 — 例如選「女聲」把男聲轉成女聲。下方是兩個藍色按鈕「選擇參考音訊」與「選擇碎片資料夾」，分別對應選擇參考音訊與碎片化音訊，並有箭頭指向各按鈕。此圖與周圍文字密切相關，該文字描述語音轉換的背景與步驟，直觀呈現流程中的關鍵選擇步驟。

方案一：數位人＋AI 語音＋碎片化音訊

• 在 Syntopia 數位人後台，選擇數位人模型、複製的聲音與話術，然後點擊開始直播。在控制台的 [AI 防護] 中，選擇碎片化音訊資料夾，並調整每段碎片化音訊之間的間隔時長 — 建議採用 40～120 秒的隨機間隔。
• 碎片資料夾中的音訊檔，是已經過語音轉換以匹配數位人音色的檔案。
• 採用 AI 語音＋碎片化音訊的插入方式時，建議至少準備 1,000 段碎片化音訊。
• 一段碎片化音訊使用過一次且未觸發違規後，7 天後可再次使用。

圖中顯示直播控制台中的 AI 防護設定介面。介面有「選擇音訊資料夾」、「音訊音量」、「隨機間隔」與「音訊模式」等設定，一個紅色箭頭指向「音訊模式」，其設為「主播碎片」。此圖與文件中「數位人＋純碎片化音訊」方案相關，對應方案二在控制台 AI 防護設定中選擇切分後碎片化音訊資料夾並調整間隔時長的說明，直觀呈現操作介面。

方案二：數位人＋純碎片化音訊

完全不需匯入話術 — 所有商品資訊改放入自訂知識庫。

只需在控制台的 AI 防護中，選擇切分後的碎片化音訊資料夾，並調整每段碎片化音訊之間的間隔時長。

務必確保隨機間隔絕不超過碎片化音訊片段中最短的時長 — 例如若最短的碎片化音訊片段為 3 秒，則最大隨機間隔不得超過 3 秒；否則數位人可能會動嘴卻沒有聲音。

純碎片化音訊會導致回覆較慢 — 若你在意這點，請勿使用。

• 採用數位人＋純碎片化音訊方案時，建議至少準備 6,000 段碎片化音訊。
• 一段碎片化音訊使用過一次且未觸發違規後，7 天後可再次使用。

圖中顯示「防護設定」介面內的「碎片化音訊」相關設定。介面有「音訊音量」滑桿、「隨機間隔」選項與「音訊模式」選擇框，一個紅色箭頭指向「隨機間隔」，顯示為「短間隔」。此圖與周圍文字密切相關，該文字在描述數位人＋AI 語音＋碎片化音訊方案時指出，隨機間隔絕不可超過碎片化音訊的最短時長；此圖直觀呈現隨機間隔設定的位置，有助釐清設定要求。

2. 副播音訊碎片化

• 從直播間找出副播的音訊並對其執行 [碎片化音訊切分]；副播的聲音不需語音轉換 — 切出的片段可直接使用。
• 副播的聲音播放時，主播的音訊會被壓低 — 也就是降低數位主播的音量以突出副播的聲音，讓直播間更有真實感。

3. 環境音碎片化

• 錄製一些直播間常見的環境音 — 例如工廠直播會有吵雜的機器聲 — 錄製時長為 1～2 小時。
• 然後用軟體切分並碎片化音訊，並在控制台的 AI 防護中選擇碎片化的環境音資料夾，選擇「環境音」，並調整每段環境音之間的適當音量與間隔。

圖中顯示控制台中的 AI 防護設定介面。「碎片化音訊」選項已選取，音訊資料夾顯示為「C:\\Audio Track Split Yali」，並附註該設定會於下一段隨機選取的碎片化音訊生效。有三項可調設定：「單段音量」、「隨機間隔」與「音訊模式」，其中「單段音量」滑桿位於中間位置，「隨機間隔」滑桿在左側，「音訊模式」設為「環境音」。介面右上角有「取消」與「確認」按鈕。此圖與周圍文字所述以軟體碎片化音訊並在 AI 防護中設定的內容相關，直觀呈現設定步驟。