把语音模型当配音导演：用分段指令控制情绪

用 TTS 做过配音的人都知道那种无奈：文本丢进去，出来一段念得还算顺的音频，但平得像说明书。你想让它「这句无奈一点」「这里对方嗯一声」，做不到，只能后期硬剪。

新一代语音模型把这件事往前推了一大步：你可以像导演一样，逐行告诉它每一句怎么演。

这不是小改进，它改变的是配音的工作方式——从「选个声音念出来」变成「写一份导演本，让模型照着演」。

核心变化：脚本就是导演本

新的脚本写法支持几类标记，每一类解决一个具体问题：

• 方括号 `[ ]`：写表演指示。[无奈地]、[压低声音]、[语速加快]。
• 尖括号 `< >`：插非语言声音。<叹气>、<笑声>、<停顿>。
• 竖线 `|`：写对方的插话。
• 双人对话可以抢话重叠：两个人同时说话、互相打断也能生成。

这几类标记解决的是同一个问题：真实对话里，大量的信息不在文字里，而在语气、停顿和反应里。以前这些只能靠剪辑补，现在写进脚本就行。

一份可直接改用的脚本

[专业、平稳] 欢迎回到本期节目。

[略带无奈] 上周我们说要解决的那个问题，<叹气> 结果比预想的复杂。

| 有多复杂？

[语速加快] 复杂到我们得单独做一期来讲。

按这个结构写，出来的就不是「一个人在念稿」，而是有节奏、有情绪、有互动的一段音频。

写脚本的三个要点：

1. 非语言标记别省。叹气、停顿、笑声，恰恰是「像真人」的关键。很多人第一次用只写文字，出来的效果平平，其实是没用上标记。

2. 变化要写在句子前面，不要指望模型自己体会。它不知道哪一句是重点，除非你标出来。

3. 对话要写互动。两个人的对话最有价值的不是各自说各自的，而是插话和重叠。

声音可以「造」出来

以前用 TTS，第一步是从几十个预设声音里挑一个最接近的，然后凑合用。

现在支持声音设计：用自然语言写清角色、口音和声音特点，模型从零生成一个新声音。比如写「墨尔本高能 DJ」或者「身经百战的低沉嗓音」，它就按描述造一个。

官方称声音库从 30 个扩到了 2000 多个。

这件事的实际价值：做系列内容时，你需要的是「一个稳定、有辨识度、属于你的声音」，而不是「一个大家都用过的通用音色」。能描述，就意味着能定制。

复刻自己的声音：门槛要知道

你也可以在取得本人同意的前提下，用一段短录音复刻自己的声音。

有两个必须知道的约束：

• 需要本人朗读一段同意声明做验证，不是随便传一段音频就行
• 所有生成音频都带 SynthID 水印，用于标识合成来源

另外，这项能力目前在美国伊利诺伊州、得州，以及欧洲经济区、英国、瑞士、印度暂不可用。

为什么门槛这么高：声音克隆的滥用风险比图像高得多——一通电话、一段语音就能骗人。这些限制既是合规要求，也是在保护整个行业的空间。

你自己也要守住底线：只复刻自己或已明确授权的声音，涉及他人声音的留好授权记录。技术上能做到，不等于你可以做。

两个模型怎么选

这次有两个模型，定位不同：

• Flash TTS：深度创意导演、角色设计。用于游戏角色、有声书、播客、互动媒体。从零设计新声音是它的强项。
• Flash-Lite TTS：大批量、低成本规模化。用于大批量配音、音频内容生产、语音 Agent。

要演戏、做角色，选 Flash；一天要生成成千上万条，选 Flash-Lite。

值得一提的是，在几项评测里 Flash-Lite 和 Flash 分数几乎贴着走，在英语等三种语言的盲听偏好里甚至排在 Flash 前面。别把它当降级选项。

它现在还差在哪

要看清位置，不能只看宣传。

领先明显的：口音表现、日语、总体质量。

落后的：拟人变化、声音特质这两项，ElevenLabs 更高。在英语盲听测试里，Flash 只排第三。

怎么读这份评测：如果你做中文或日语内容、需要角色化和戏剧感，值得认真试；如果你追求英语旁白里那种「极像真人」的质感，现阶段它可能还不如专门的竞品。

而且别只看评测——跑你自己的素材。拿一段你真实的稿子，用两个模型和你现在在用的方案各生成一遍，盲听对比。你的耳朵比任何榜单都准。

落地建议：这样用最划算

1. 先写好脚本，再生成。脚本越具体，效果越好。模糊的稿子配再强的模型也救不回来。

2. 系列内容固定一个声音。不要每条换一个，识别度是靠重复建立的。

3. 批量场景走 Flash-Lite。日常配音、客服语音、大量短视频，用它更合适。

4. 保留脚本文件。下次要改某一句，改脚本重新生成就行，不用重新剪音频。

5. 合规底线：只用自己或已授权的声音，重要内容对外发布前自己听一遍。

一个可以立刻做的实验

挑一条你已经发布的视频，把它的配音稿拿出来，加上方括号和尖括号的表演标记，重新生成一版音频，和原版对比。

如果听感明显更好，那你以后所有内容都可以用这个流程。

配音这件事的成本结构已经变了：以前是时间和状态决定质量，现在是脚本精度决定质量。你不需要一个安静的房间和好的状态，你需要一份写得足够具体的脚本。