中文 AI 音色

10 把基础嗓子，以及它们用上的顺序

引擎一共 10 把基础嗓子（女 4、男 5、中性 1），九种语言共用同一批，中文这边说的就是普通话。台湾腔、东北腔、陕西腔这类地区口音不能选，也不保证——地区口音不是一个开关，这里没有这个开关；想让一个角色有地方味，只能从用词和句式上写。粤语更不是口音而是另一门口语，书面粤语也是另一套写法，这里同样没有。

10 把嗓子是这样用上的：每个库角色固定落在其中一把上，靠人设和逐句的表演指示（年龄、气质、情绪）演出区别。同一个项目里两个角色不共用嗓子，直到这一性别的池子用完——女角色 4 把、男角色 5 把，再借那把中性的；先进项目的角色保留原嗓子，撞车时挪的是后来的那个，所以后加角色不会让已有角色换声。池子用完之后，共用就不可避免：这时两个角色的差别全靠人设和演法，比换一把嗓子小得多，值得在写的时候就把同场说话人控制在十个以内。Free 每个项目 2 个角色、Basic 5 个，实际先卡住你的多半是这个上限。

多音字：中文没有假名，但有同音字

多音字在中文里再平常不过，偏偏集中在最需要准确的地方：人名。「单」作姓念 shàn，「解」作姓念 xiè，「仇」「覃」「区」「乐」都有同样的问题；名字之外，「行」「重」「长」随意思变音，念错就是另一个词，不是语气古怪。古风、仙侠剧本里的自创名字和生僻字，更是重灾区。

没有读音设置，要改只能在文本里改。日语可以把名字写成假名，中文没有对应的注音写法，但配音圈常用的土办法同样有效：把念错的字换成一个同音、同声调、没有歧义的字——剧本里写「善雨」，听众听到的就是姓单的「单雨」。代价在字幕：Plus 起导出的 SRT 是照剧本文字生成的，替换过的字会原样出现在字幕里，要发带字幕的版本，得在剪辑软件里改回来。渲染一整集之前，先把所有名字试听一遍。

变调断在你切开的地方

三声变调，「一」「不」随后字变调——在一个完整的短语内部，引擎处理得很好。出问题的是你人为制造的边界：在一个词中间换行或者加逗号，变调就不再发生，「你好」被念成两个孤立的三声，母语听众一耳朵就听出来，尽管文字一个错字都没有。

所以普通话剧本的实用规则和多数语言正好相反：不要为了节奏去拆句。每句台词保持完整，节奏交给逐句语速去调（Plus 和 Pro 有，0.75× 到 1.25× 五档）——它改变的是念的快慢，不会改变引擎认为词在哪里断开。

一段示范戏：六句台词，逐句说怎么配

六句作坊里的戏，三个说话人，都是这一页里的库角色。有人没来，有人要背这口锅。每句后面是我们会怎么选角、怎么导。

Kestrel：单师傅说他不来了。——这一句排在第一，是因为那个姓：「单」作姓念 shàn，别处念 dān，而句子本身不告诉引擎你指的是哪一个。整份剧本先试听这一句。念成 dān，就在剧本里写成「善师傅」，听众听到的才是对的名字。

Orrin：他不来，这锅谁背？——「背」也是多音字，bèi 和 bēi，这里是 bēi。Orrin 是门廊上的老头，语域正合适。neutral（平静），不加情绪。

Koji：我背。反正我也没别的可背的。——「我也」是两个三声挨着，前一个要变成二声，但这只有在它们留在同一行里才会发生。中间掉进一个逗号或者一次断行，变调就不发生了，而母语听众一耳朵听得出来，尽管一个错字都没有。Koji 是话短的对手角色；有逐句情绪（Pro）的话，这句标 sad（难过）。

Kestrel：你别抢。抢完了还得你收拾。——一行两句，这样是对的。中文台词整句不拆，节奏交给 Plus 和 Pro 的逐句语速，而不是把句子切开。

Orrin：让他抢。年轻人抢一回，能记十年。——「一」随后字变调，这里要听的就是「一回」。neutral：这句是爷爷辈下的判词，加了情绪就变成了演讲。

Koji：那我记着了。——四个字，整场戏在这里转向。落得平就重新生成——中文短句两遍之间的差别，够得上再试一次。

三个说话人，10 把基础嗓子里的 3 把，全程普通话，因为地区口音选不了。这场戏真正花功夫的地方不是选角，是一个姓、一个多音字、一处变调，以及一句不能拆开的台词。

导出前的试听清单

导出要扣下载额度，同一个项目重导一次再扣一次，所以听一遍拼好的整场。中文最容易栽的是下面六项。

先听名字。每个姓、每个自创名字，在渲染任何长内容之前都听一遍：单、解、仇、覃、区、乐，以及仙侠设定表里的那些字。念不对的，换一个同音、同声调、只有一种读法的字——记住换过的字会出现在 Plus 和 Pro 导出的 SRT 字幕里。

名字之外的多音字。行、重、长、都、还、为。听句子，不要单听那个词：大多数在上下文里是对的，错的那些往往藏在四字短语里，因为那里上下文被压没了。

数字。「一」和「不」随后字变调，「二」和「两」不能互换，连读的数字串要用「幺」。凡是念出来的数字都听一遍，按念法写：两点半、幺三八。

你切开的地方。放混好的成片，听该发生却没发生的变调。原因通常是一个逗号掉进了词组中间；把词组接回去，节奏交给逐句语速。

拉丁字母和中英混写。App 名、英文缩写、夹在中文句子里的单个字母，出来可能是英语词，也可能是一个个字母。想要哪种就照哪种写；要中文读法，就写中文。

长旁白。中文旁白超过四十来个字就会平掉。听语调停止移动的位置，在句号处断开，不要在词组中间断——那样断出去会顺带丢掉变调。