漫剧进阶篇 · 声音#配音 #音色 #TTS
声音与配音进阶：让 AI 配音不出戏
第 8 步教你「能配上音」，这篇教你「配得像剧」。 观众对画面的瑕疵宽容度高（本来就知道是 AI），对声音却极其敏感——音色乱选、语气平直、响度忽大忽小， 是 AI 漫剧最劝退的三个问题。全部有解。
一、给每个角色建「音色卡」（一次性投入）
和角色建模一样，声音也需要「定妆」。在第 4 步角色建模的同时，为每个角色确定固定音色并记录成卡，之后所有集一字不改：
| 角色 | 音色特征 | 选型要点 |
|---|---|---|
| 女主（如沈曼） | 清亮偏冷、语速中偏快 | 复仇女主忌软糯甜音，选「知性」「冷冽」类标签 |
| 男主 | 低沉、胸腔共鸣 | 避免「播音腔」，选「磁性」「低音」标签更贴短剧感 |
| 旁白 | 中性、克制 | 旁白不是主角，选存在感低的声线，别抢戏 |
| 反派 | 尖细或阴柔 | 与男女主拉开听感距离，观众闭眼也能分辨谁在说话 |
关键纪律：全剧所有角色共用同一个 TTS 平台的固定音色 ID。剪映换魔音工坊再换回来，同一音色的音色参数可能对不上，声音「换了个人」比画面崩更致命。
二、语气标注体系：让 TTS 读出情绪
直接把台词丢给 TTS，读出来一定是「新闻联播」。用漫剧台词配音稿生成配音稿时，每句都要带情绪标签，格式统一成「角色 + 情绪 + 台词」：
【沈曼｜压低声音，冷笑】三年了，你猜我回来是做什么的？ 【沈曼｜平静】别怕，我不哭。我只是来收账的。 【旁白｜沉稳，慢】她等的这一天，整整三年。
- 魔音工坊等平台支持多情绪音色，直接选「愤怒/悲伤/冷漠」等情绪参数再生成。
- 剪映文本朗读没有情绪参数，就用标点法：破折号拖长音、省略号做停顿、问号自然上扬——写稿时就把情绪写进标点。
- 关键情绪镜头宁可一句拆三次生成挑最好的一条，也不要整段凑合。
三、断句与停顿：标点就是节奏谱
TTS 的停顿完全由标点驱动，一句话想读出「戏」，标点要这样写：
- 短句蓄力：高潮台词拆成三个短句，比一个长句有力十倍——「我回来了。带着名字。和账单。」
- 逗号≈半秒停顿，句号≈一秒：需要大停顿的位置用省略号「……」或破折号「——」。
- 语速标注：在配音稿里标「（快）」「（慢）」，生成时手动调该句语速参数。
台词切句、按字数估时长用 字幕 SRT 工具 一次算好，切完的句子直接对应配音与字幕单位。
四、三大硬伤：多音字、数字、英文
| 问题 | 解法 |
|---|---|
| 多音字读错 | 用同音字替换生成：「重」改「众」读对音后，剪辑里字幕照常写正确字 |
| 数字读法怪 | 写成读法：「2026 年」改「二零二六年」；金额「300 万」改「三百万」 |
| 英文/缩写 | 尽量中文化；必须出现时用中文近似读音标注（AI 读「SOS」改「艾斯欧艾斯」） |
五、响度统一：最容易被忽略的「专业感」
- 同一段里旁白、台词、画外音的音量要一样大：分轨生成后，在剪映里逐轨调到人耳等响，再整体压一道。
- BGM 音量压到人声的 30%-40%，卡点处可短时抬升。
- 剪映「音频 → 响度标准化」一键把各轨拉齐，导出前必做。
- 手机外放是漫剧的主战场：导出后用手机听一遍，外放听不清的句子单独提音量。
常见坑
- 每集换音色——观众对声音的记忆比对画脸更强，音色必须全剧锁死。
- 所有角色用同一音色只调速率——速率不等于声线，听起来像一个人自言自语。
- 忽略静音头尾——TTS 生成片段首尾常带气口杂音，逐段修剪再上轨。
- 情绪音色滥用——全程嘶吼式愤怒音色比平铺直叙更出戏，情绪只在关键镜头用。
本篇产出物
一张全剧「音色卡」（角色 × 音色 ID × 情绪参数 × 备注）+ 一份带情绪标注与断句标点的配音稿。 完成后，配合 字幕 SRT 工具 的切句结果，第 8 步的配音环节即可全流程复用到后续每一集。