指南

文字转语音时长：我的文字读出来要多久？

在为脚本配音之前，通常需要先知道时长：30 秒的广告位、60 秒的短视频、10 分钟的播客、必须控制在一节课内的课程。光看字数说明不了问题，因为每种语言、每个声音的语速都不同。请注意：Supertonic 3 暂不支持中文，下面的数据适用于其他语言。

我们用 SuperClonica 引擎以默认语速朗读同一个故事的七种语言版本并做了测量，你可以在配音前估算时长，然后用一行 Python 得到精确秒数。

浏览声音 安装 SuperClonica 引擎

实测语速

测量使用一段平静的叙事文字，男女两个标准声音、默认语速；两个声音相差不到百分之三。

  • 英语：每分钟约 190 个单词，约 1000 个字符。
  • 西班牙语、德语和法语：每分钟约 165 个单词。
  • 葡萄牙语：每分钟约 150 个单词。
  • 俄语：每分钟约 130 个单词。
  • 日语：每分钟约 320 个字。

在线免费试听语速

在任意声音页面输入 30 到 100 个字符并点击生成按钮，几秒后就能听到该声音在你所选语言中的语速，无需注册。

快速估算

留出几秒余量：把时段填满到最后一秒的脚本，加上音乐和停顿后会显得很赶。

  • 30 秒广告：英语约 95 个单词。
  • 60 秒短视频：英语约 190 个单词。
  • 10 分钟播客或视频：英语约 1900 个单词。
  • 英语 1000 个单词：约 5 分 15 秒。

脚本的精确时长

语速几乎按比例改变时长：默认是 1.05，--speed 0.85 会让同一段文字长约四分之一。要得到精确时长，请用 python -m pip install superclonica-cpu 安装免费引擎，把脚本存为 script.txt 并运行：from superclonica import Superclonica; tts = Superclonica(); audio, rate = tts.synthesize(open('script.txt', encoding='utf-8').read(), 'M1', 'en'); print(round(len(audio) / rate, 1), 'seconds')。Docker 服务器也会在 X-Duration-Seconds 响应头中返回同样的数值。

为什么实际会更长

数字会被转写成单词，1250 或 2027 会变成好几个读出来的词。缩写可能被完整读出。句号多、行与行之间插入静音都会增加时长，而没有逗号的长句读得更快。不要只依赖平均值，用真实脚本测一次。