短影片旁白的成本，其實比我想像低
我最近在做一支 Gaze Guard 的 20 秒產品介紹影片。
原本想說簡單做個動畫就好。
後來想說如果有配音，會感覺比較生動也比較能夠描述使用的情境和達成的效果。
這次我測了什麼
我測的是產品介紹影片用的英文旁白。
工具底層使用的是 Edge TTS，也就是 Microsoft Edge 的線上 Text-to-Speech 服務。常見的底層工具是 edge-tts。
這不是正式 Azure Speech API 的計費路徑。
在我這次的環境裡，它沒有要求 API key，也沒有回傳可見的 per-use billing。
所以這次測試本身，比較像是快速 prototype。
如果未來要正式商用、穩定大量產出，就要回頭看 Azure Speech、OpenAI TTS、ElevenLabs 這類正式付費方案。
我實際測試的旁白腳本
最後我偏好的版本是 C 版。
節奏是社群短影音感：正常偏快、清楚直接，適合 Product Hunt、X、LinkedIn 這類 launch clip。
You blocked the internet. But not the eyes beside you.
Gaze Guard watches screen-peeking risks locally, right inside your browser.
When a second face appears, Peek Alert fires instantly.
No upload. No account. No tracking.
Gaze Guard adds a physical defense layer to your screen.這段文字的量：
- 字元數：約 279 chars
- 粗估 token：約 70 tokens
注意：TTS 多數不是按 token 收費，而是按字元或音訊長度收費。
兩個聲音檔的比較
C 版：社群短影音感
這版比較像短影片會用的旁白。
- 語速：正常偏快
- 感覺：直接、清楚、有節奏
- 適合：Product Hunt、X、LinkedIn、landing page teaser
- 缺點：比較不像嚴肅資安產品的官方旁白
我最後選這版當作偏好版本。
慢語速版：懸疑安全感
這版用更多斷句與停頓去做氣氛。
- 語速：較慢
- 感覺：冷靜、警戒、比較有 privacy/security 氣氛
- 適合：正式產品頁、資安工具介紹、比較沉穩的品牌形象
- 缺點：20 秒短影片裡容易拖慢節奏
如果是 Gaze Guard 這種產品，我會把慢語速版當成備選。
但真正要丟社群，我會用 C 版。
可調整的參數
如果直接使用 edge-tts CLI，常見可調項目包括：
- voice：選擇不同聲音，例如不同語言、性別、口音
- rate：語速，例如
--rate=-10%或--rate=+10% - volume：音量，例如
--volume=-20% - pitch：音高，例如
--pitch=-20Hz - pause / break：透過標點、換行、短句控制停頓
- output format：依工具設定輸出 mp3、ogg 等格式
我這次在 Hermes 裡用的是包好的 text_to_speech 工具。
它沒有直接暴露 rate、pitch、voice 參數。
所以我先用文案斷句與換行控制節奏。
如果之後需要更細，我會改走 edge-tts CLI 或正式 TTS API。
免費與付費方案的差異
Edge TTS：適合快速測試
這次用的 Edge TTS，在我的環境裡不需要 API key，也沒有顯示 per-use 費用。
優點很直接：
- 快
- 成本低
- 適合快速試音色
- 適合 side project prototype
但缺點也明顯：
- 不是正式 SLA API
- 商用條款不如正式服務清楚
- endpoint 或行為可能變動
- 大量使用時不適合當核心依賴
Azure Speech：正式、可估價、可商用
正式 Azure Speech 的 Text-to-Speech 是按字元收費。
官方價格大約是：
- Free tier：每月 0.5M characters
- Standard TTS：USD 15 / 1M characters
- Custom Professional Voice：USD 24 / 1M characters
換算到我這次的 C 版旁白：
- 279 chars × USD 15 / 1M chars = 約 USD 0.004185
- 279 chars × USD 24 / 1M chars = 約 USD 0.006696
也就是一支 20 秒短影片的旁白，正式付費 TTS 大概不到 1 美分。
真正花錢的，通常不是這段旁白。
而是人反覆調整腳本、畫面、節奏的時間。
如果用 LLM 產生這段文案呢？
這和 TTS 是兩件事。
TTS 是把文字轉成聲音。
LLM 是幫你寫出這段文字。
以我這次測試的 C 版旁白來看：
- 字元數：約 279
- 粗估 token：約 70
如果只算這段文字本身，以 GPT-5.5 output 價格 USD 30 / 1M tokens 粗估：
70 / 1,000,000 × 30 = USD 0.0021但這只算旁白文字本身。
實際做影片時，成本會被其他事情放大：
- 多輪修改
- HTML / CSS / JS 畫面製作
- Playwright 錄製流程
- ffmpeg 合成
- 工具輸出進入 context
- 反覆核對首幀與畫面細節
所以如果要估整支影片的 AI 成本，不應該只看旁白。
旁白反而是最便宜的一段。
做個小結論
如果只是做 side project 或產品初稿，我會先用 Edge TTS。
快，而且夠用。
等影片方向確認，再決定是否換成正式 TTS provider。
如果要大量商用、長期自動化產出，我會選正式服務。
不是因為比較便宜。
而是因為授權、穩定性、可控性比較清楚。
這次最大的收穫是：
一支 20 秒影片的旁白成本，其實低到幾乎不是問題。真正的成本，是把訊息講準、把畫面排乾淨、把節奏調到剛好。
實際語音檔試聽
以下兩段是這次實際測試的語音檔。C 版是我最後偏好的版本，慢語速版則比較偏沉穩、警戒。
試聽：C 版，社群短影音感
Your browser does not support the audio element.
試聽：慢語速版，懸疑安全感
Your browser does not support the audio element.
