文本转语音实战：从稿件到成音的提示词写法

用 MiniMax 做文本转语音，很多人卡在同一个地方：模型能力不差，出来的音频却听着像机器人念稿。问题多半不在模型，而在你交给它的稿件本身。TTS 不是润色工具，你给什么它念什么，标点、句长、语气词都会被原样读出来。这篇文章按「会写提示词才能出好素材」的思路，把从稿件到成音的过程拆开讲清楚。

先搞清楚 TTS 会忠实还原什么

MiniMax 的语音能力包括 TTS 和语音克隆，配合 M 系列文本推理的长上下文能力，可以把长稿件整段处理。但 TTS 的基本逻辑是「照读」：

• 标点即节奏。逗号短停、句号长停、省略号会有拖音，问号会带上疑问语调。
• 句子太长必翻车。超过三四十字的单句，模型容易在奇怪的位置断句。
• 书面语会暴露。「换言之」「综上」这类词念出来非常生硬。

所以写稿第一步不是想「让它读什么」，而是想「它怎么读才对」。

稿件改写：从书面稿到可念稿

拿到一篇正常文章，先做三件事：拆长句、删书面连接词、把数字和符号改写成读法。比如「2024 年 Q3 营收增长 37%」要改成「二〇二四年第三季度，营收增长了百分之三十七」。专有名词容易读错的，可以在旁边用同音字标注，或提前在平台里查发音设置（具体功能以官方页面为准）。

提示词模板一：播报类成音

适合资讯播报、产品介绍这类单人口播场景。把风格描述和稿件一起交给 TTS：

【任务】将下面的稿件转为语音，用于科技资讯播报。
【声音要求】
- 性别/音色：成年男声，偏沉稳，类似新闻主播但不刻板
- 语速：中等偏快，约每分钟 260 字
- 情绪：整体平静专业，重点数据处略微加重
- 停顿：每个自然段之间停顿约 1 秒，冒号后停顿 0.5 秒
【朗读规则】
- 数字按中文读法朗读
- 英文专有名词保留英文发音
- 遇到括号内容正常读出
【稿件】
（在这里粘贴你的稿件，建议单句不超过 30 字，段落之间空一行）

提示词模板二：多角色配音稿

做短剧、广告、有声内容时，一条音频里往往要区分角色。写法关键是把角色标签嵌进稿件，并在提示词里声明每个角色的声音设定：

【任务】多角色配音，用于 60 秒产品广告。
【角色设定】
- 旁白：女声，温暖清晰，语速中等
- 小明：年轻男声，轻快，略带好奇感
【情绪与节奏】
- 旁白段落平稳，角色对话段落情绪外放
- 对话之间自然衔接，不留过长空白
【朗读规则】
- 「（停顿）」标记处停顿 0.8 秒
- 「（重音）」标记后的词组加重语气
【稿件】
旁白：每天早上，你（停顿）是不是也在和时间赛跑？
小明：（重音）要是有一台能帮我打理一切的设备就好了！
旁白：现在，它来了。

实际使用时，角色切换的连贯度受平台当时的语音分配能力影响，建议先生成 10 秒样音确认效果，再跑完整稿。

语音克隆场景：样本与文案同等重要

克隆自己的声音时，两件事决定上限。一是音色样本：安静环境、无混响、语速自然，时长按平台建议准备即可（具体要求以官方页面为准）。二是克隆后的文案要贴合本人说话习惯——克隆复现的是音色，不是表达方式，你给它一段播音腔文案，出来的就是你「不像自己」的一面。

和视频、文案环节串起来

MiniMax 的 H 系列视频生成支持原生音频，海螺系产品覆盖了内容生产链条的多个环节。实际工作流里，语音往往是中间件：先用 M 系列的文本能力把长素材整理成口播稿，再走 TTS 出音，最后合成进视频。每一环的提示词质量决定了下一环的输入质量——口播稿写得啰嗦，视频节奏就拖；语气标注写得含糊，成音情绪就飘。

从稿件到成音，本质是一次「为耳朵写作」的转译。模板拿去直接用，跑两三轮样音，调一次语气参数，你会发现同一篇稿子的成音效果能有肉眼可闻（耳朵可闻）的差别。把这套写稿习惯留下来，后面做视频配音、多角色内容时，就是复用的问题了。