使用 Qwen3-TTS 在 Scribis 建立自訂聲音與影片配音

Scribis 可以搭配 Qwen3-TTS，直接在 Mac 上建立自訂聲音、產生多語語音，並將產生的聲音套用到影片配音流程。

本篇會學到什麼

在這篇教學中，你將學會如何完整掌握 Scribis 與 Qwen3-TTS 的語音設計與 AI 影片配音工作流程：

安裝 Qwen3-TTS 模型（VoiceDesign 與 Base）
使用文字描述設計全新的 AI 聲音
使用參考音訊建立自訂聲音或進行語音複製
預聽並儲存 Voice 至 Native Voices
轉錄與翻譯影片字幕
在 Speaker Mode 為不同講者指定專屬聲音
合成 AI 語音並同步至影片時間軸

開始之前

這個工作流程主要使用兩個 Qwen3-TTS 模型：

Qwen3-TTS 1.7B VoiceDesign

用來建立新的聲音。你可以透過自然語言描述想要的聲音特徵，例如聲音風格、音色或表達方式。

Qwen3-TTS 0.6B Base

用來產生最終語音。建立 Voice 之後，Scribis 會使用 Base 模型將文字合成為實際音訊。

因此，如果你想完整使用 Voice Design 與影片配音功能，建議同時準備這兩個模型。

詳細操作步驟

1. 安裝 Qwen3-TTS 模型

首先開啟 Scribis，進入：

Settings → Model Selection

在模型管理頁面找到 Qwen3-TTS，下載：

Qwen3-TTS 1.7B VoiceDesign
Qwen3-TTS 0.6B Base

Scribis Settings 中的 Model Selection 頁面，顯示 Qwen3-TTS 1.7B VoiceDesign 與 0.6B Base 下載與安裝管理。

VoiceDesign 負責建立聲音，而 Base 模型負責最後的語音合成。模型下載完成後，就可以開始建立自己的 Voice。

2. 開啟 Voice Design

接著前往：

Experimental Features → Voice Design

Voice Design 是 Scribis 用來管理自訂 AI 聲音的功能。目前你可以透過兩種方式建立 Voice：

使用文字描述設計聲音
使用錄音或音訊檔案作為參考

Scribis Voice Design 介面，提供 Prompt 語音描述與參考音訊上傳功能。

3. 使用文字描述建立聲音

如果你不需要複製既有聲音，可以直接使用自然語言描述想要的 Voice。例如：

A warm and calm male narrator with a clear voice and slightly slow speaking pace.

或者：

A young female voice with an energetic and friendly presentation style.

Qwen3-TTS VoiceDesign 會根據這些描述產生新的聲音特徵。這種方式適合：

YouTube 旁白
教學影片
Podcast
虛擬角色
不需要對應真人的 AI Voice

你可以反覆修改描述，直到產生符合需求的聲音。

4. 使用參考音訊建立自訂聲音

除了 Voice Design，你也可以使用自己的錄音或音訊檔案作為參考。在 Voice Design 中：

錄製一段聲音，或
上傳現有的音訊檔案

Scribis 會將這段音訊作為建立自訂 Voice 的參考。這種方式特別適合希望在不同影片中維持一致旁白音色的情況。

請只使用你擁有權利或取得授權的聲音進行語音複製。

5. 預聽 Voice

Voice 建立完成後，你不需要立即套用到影片。可以先輸入一段測試文字，例如：

Welcome to Scribis. Today we're going to learn how to create multilingual video dubbing.

接著直接在 Scribis 裡產生語音並預聽結果。建議測試幾種不同類型的句子，例如短句、長句、問句、數字、英文與其他語言，以及情緒較強的句子。確認聲音效果符合需求後，再儲存 Voice。

6. 儲存到 Native Voices

如果對產生的聲音滿意，可以將它儲存到 Native Voices。

儲存之後，這個 Voice 就會成為 Scribis 裡可以重複使用的聲音。之後不論建立新的影片、字幕或配音專案，都不需要重新產生相同 Voice。這對需要維持固定角色或頻道聲音的內容特別方便。例如你可以建立：

Narrator
Host
Male Speaker
Female Speaker
Character A
Character B

並在不同專案中持續使用。

7. 選擇需要配音的影片

Voice 準備完成後，進入 Media Library 選擇想要處理的影片。

Scribis 可以先將影片中的語音轉錄成具有時間資訊的字幕片段。基本流程是：

Video → Transcription → Timed Segments → Translation → TTS → Dubbed Audio

這些時間資訊之後會用來將新的語音重新同步到影片。

8. 翻譯影片字幕

完成轉錄後，可以將整份字幕翻譯成目標語言。例如：

English → Traditional Chinese

或：

English → Japanese

也可以處理其他 Qwen3-TTS 支援的語言。翻譯完成後，Scribis 仍然會保留原本字幕與時間軸之間的關係，方便後續產生配音。

9. 開啟 Speaker Mode

接著切換到 Speaker Mode，然後打開 Speaker Voice Settings。這裡可以控制每個 Speaker 要使用哪一個 Voice。

例如影片只有一位講者，可以設定：

Speaker 1 → My Custom Voice

如果是多人訪談：

Speaker 1 → Voice A
Speaker 2 → Voice B
Speaker 3 → Voice C

這樣不同角色就能維持各自的聲音。

10. 為不同講者指定 Voice

Speaker Voice Settings 的用途不只是在單人影片中指定 Voice，它更適合：

Podcast
訪談
多人會議
對話影片
教學影片
多角色內容

每一位 Speaker 都可以使用不同的 Voice。例如：

Speaker	Voice
Host	Custom Voice A
Guest	Custom Voice B
Narrator	Custom Voice C

因此即使影片包含多人對話，也可以分別產生不同的 AI 配音。

Scribis Speaker Mode 介面，顯示時間軸波形、字幕翻譯對照與 Speaker 配音設定。

11. 產生翻譯後的配音

完成 Voice 設定後，按下 Synthesize All Speech。Scribis 會根據：

翻譯後的字幕
Speaker 講者標記
Voice 設定
字幕時間資訊

產生新的語音。流程大致如下：

Translated Subtitle + Speaker Voice + Subtitle Timing
                      ↓
                  Qwen3-TTS
                      ↓
               Generated Speech

完成後，每個字幕片段都會得到對應的語音。

12. 同步到影片時間軸

語音產生完成後，Scribis 會將新的語音放回影片時間軸。例如原始字幕：

00:01:20 → 00:01:24
Welcome to our channel.

翻譯後：

歡迎來到我們的頻道。

Scribis 會根據原本的時間區段安排產生的 TTS 音訊。這樣可以盡量讓新的配音保持與原影片相近的節奏。

完整工作流程

整個 Qwen3-TTS 配音流程可以整理成：

Download Qwen3-TTS
        ↓
Voice Design
        ↓
Create / Clone Voice
        ↓
Preview Voice
        ↓
Save to Native Voices
        ↓
Import Video
        ↓
Transcribe
        ↓
Translate
        ↓
Speaker Mode
        ↓
Assign Voice
        ↓
Synthesize
        ↓
Sync to Timeline
        ↓
Dubbed Video

概念補充與常見問題 (FAQ)

Voice Design 與 Voice Cloning 有什麼不同？

Scribis 的 Voice 功能可以分成兩種使用方式：

Voice Design

你透過文字描述建立一個新的聲音，例如：A calm documentary narrator with a deep voice.。這種方式不需要提供真人錄音，適合建立虛擬旁白、AI Presenter、遊戲角色或 Podcast 聲音。

使用參考音訊 (Voice Cloning)

另外一種方式則是提供錄音或音訊檔案作為參考，這比較適合希望保留特定聲音特徵的工作流程。

無論使用哪一種方式，建立好的 Voice 都可以儲存在 Scribis 的 Native Voices 中，供之後的專案使用。

多語影片配音的優勢是什麼？

這套流程不只是將文字轉成語音。Scribis 將 轉錄 → 翻譯 → Speaker → Voice → TTS → Timeline 整合在同一個影片工作流程中。

因此，你可以從原始影片開始：

Original Video → Speech to Text → Translation → Qwen3-TTS → Multilingual Dubbing

而不需要分別在多個工具中匯出字幕、音訊，再重新整理時間軸。

適合哪些使用情境？

這套工作流程適合：

YouTube 多語影片
線上課程與教學影片
Podcast 與訪談
產品 Demo 與簡報旁白
多角色內容與 AI Avatar 配音

尤其當影片本身已經有完整語音內容時，可以直接從 Scribis 的轉錄流程開始處理。

總結

透過 Scribis 與 Qwen3-TTS，你可以在 Mac 上完成：

聲音設計 + 語音複製 + 語音轉文字 + 字幕翻譯 + 講者管理 + TTS + 影片配音

建立好的 Voice 也可以儲存在 Native Voices，之後直接套用到其他專案。如果你的目標是製作多語 YouTube、Podcast、課程或訪談內容，就可以把整個流程放在同一個工作環境中完成。