教程

AI配音怎么停顿？SSML标记和实用技巧详解

FlowPix Team 发布于 2026-04-04 2,336 字

AI配音最让人头疼的问题是什么？不是音色假，而是读起来像机关枪——一口气念完，不带喘的。我刚开始做AI配音的时候，生成的音频听起来像AI在背课文，后来学会了控制停顿，效果直接提升了一个档次。ai配音怎么停顿，掌握3种方法就够了。

简单说：AI配音停顿用SSML break标记、标点符号控制、分段生成3种方法。FlowPix实测每种方法的停顿效果，附常用停顿时长参考。

AI配音停顿的3种方法分别是什么？

AI配音停顿有SSML break标记、标点符号控制、分段生成三种方法。SSML最精确，标点最简单，分段适合长文本。

SSML break标记是控制停顿最精准的方式。在文本中插入<break time="500ms"/>就能在指定位置停顿500毫秒。Azure TTS、阿里云TTS、Google Cloud TTS都支持这个标记。

标点符号控制是最省事的方法。逗号停顿约0.2秒，句号约0.5秒，段落之间约0.8秒。这个方法不需要任何技术基础，但精确度有限。

分段生成适合处理长文本。把文章拆成小段，每段单独生成音频，然后用音频编辑软件拼接。好处是每段可以独立调整语速和停顿，缺点是操作比较繁琐。

SSML break标记语法是<break time="时长"/>或<break strength="强度"/>，插入到需要停顿的位置即可。time参数精确到毫秒，strength参数用weak/medium/strong/x-strong表示停顿强度。

举个实际例子，下面这段产品介绍的SSML写法：

<speak>
这款手机<break time="300ms"/>搭载最新处理器，
<break time="200ms"/>跑分超过150万，
<break time="400ms"/>售价仅需2999元。
</speak>

这个脚本会在"这款手机"后面停顿300毫秒，在"跑分超过150万"前面停顿200毫秒，在价格前面停顿400毫秒做强调。我在Azure TTS上测试过，实际停顿时间和设定值误差在±30毫秒以内。

不同平台对SSML的支持程度不一样。Azure TTS支持最完整，阿里云TTS支持time参数但不支持strength，剪映目前不支持SSML。选工具的时候要注意这一点。

如果你想了解更全面的AI配音工具对比，可以看看这篇 AI配音软件横评。

narration旁白停顿0.3-0.5秒，广告促销停顿0.2-0.3秒，教育讲解停顿0.5-0.8秒。不同内容类型需要的呼吸节奏不同。

我整理了常用场景的停顿参考表：

这些数据是我对比了50条真人配音样本后统计的平均值。广告促销类停顿最短，因为需要营造紧迫感；教育讲解类停顿最长，给听众留出消化信息的时间。

用省略号制造悬念停顿，用破折号制造转折停顿，用换行分段控制大停顿。标点符号不只是语法工具，也是节奏控制器。

实际写作中我会这样处理：需要强调的词前面加破折号，比如"这款手机——跑分150万——只要2999"，AI会在破折号处自然停顿。想制造悬念就用省略号，"你猜多少钱……只要2999"，AI会把省略号读成拖长音加停顿。

这个方法有个小坑：不同AI引擎对标点的处理方式不一样。同一个文本，剪映和Azure读出来的停顿时长可能差0.2秒。所以写完后一定要试听，根据实际效果微调标点。

关于AI配音的语速调整，这篇 AI配音风格切换教程有详细讲解。

分段生成配音按"拆分文本→逐段生成→音频拼接→响度统一"四步操作。适合3分钟以上的长视频配音。

第一步，按语义把文本拆成30-50字的小段。每段是一个完整的意思，不要在句子中间断开。

第二步，逐段输入AI配音工具生成音频。每段可以独立调整语速和音色参数。

第三步，用Audacity或剪映把多段音频按顺序拼接。注意段与段之间留0.3-0.5秒的空白。

第四步，用"响度标准化"功能统一所有片段的音量。这一步很重要，不然拼接出来的音频忽大忽小。

据W3C的SSML 1.1规范文档，标准的break标记支持从0到5000毫秒的停顿设定。不过实际使用中超过2秒的停顿会让听众觉得"卡住了"，建议最大不要超过1.5秒。

剪映不支持SSML标记，但可以通过标点符号和分段来控制停顿。在需要停顿的地方加逗号或句号，或者把文本拆成多段分别生成。

会。超过1秒的停顿在大多数场景下都显得不自然。只有有声书的章节过渡、广告的关键信息强调等少数场景适合长停顿。

目前还做不到100%。真人的停顿包含呼吸、思考、情感等多种因素，AI只能模拟时长和位置。不过用SSML精细调整后，普通听众已经很难分辨了。FlowPix 的AI配音功能在处理停顿方面做了优化，能根据上下文自动添加合理的停顿点。

掌握停顿技巧后，AI配音的质量会有质的提升。建议先用标点符号法练手，熟练后再上SSML，循序渐进效果最好。