# 给虚构角色配音，先确定他在对谁说话

Next Token 博客

用一段店主与熟客的虚构对白，讨论怎样给合成语音具体的表演要求，并检查音色一致性与对话衔接。

发布：2026-11-10
更新：2026-10-26

一句“欢迎回来”，放在不同场景里，读法会差很多。店主是真的高兴见到熟客，还是想装作两人并不熟？即使使用同一个声音，停顿和音量也会改变这句话的意思。

歸藏在第六期谈到把小说内容做成类似视觉小说的形式，为人物固定音色与性格。其中一个例子是年老、阴险的神父。选一个年长的声音只是起点，具体台词还得放回人物正在做的事里考虑。

## 性格标签写完以后，还缺这一句的情境

可以用一段虚构对白试试：店主认出了熟客，但不想让旁人知道两人认识。只给“神秘、复杂、富有层次”几个标签，试听时很难判断哪里应该调整。

更明确的要求可以是：开头按普通招呼读，称呼之前略停，后半句压低声音，不表现出惊讶。工具是否能准确执行，需要听生成结果；但至少能判断它有没有把熟悉关系说得太明显。

如果台词写了很长一段解释，却要求人物匆忙打断，单纯加快语速可能越听越别扭。此时应先删短对白，让人物的行动和文字长度对得上，再调整读法。

也可以保留一版自然读法，每次只换一处重音或停顿。连续试听几个版本，比不断往提示里添加性格词更容易找到想要的效果。

## 音色固定，情绪可以变化

语音合成早就有表达控制。[SSML 1.1](https://www.w3.org/TR/speech-synthesis11/)定义了发音、停顿、音高、音量和语速等标记。因此，不能把角色配音简单写成新工具有表演、旧工具只有朗读。

如今一些接口允许用自然语言描述表达方式。[Google 当前的语音生成文档](https://ai.google.dev/gemini-api/docs/speech-generation)还提供声音身份和轮次风格等配置。这里可以借它了解一种制作方式，节目试用的具体模型与配置仍以节目材料为限。

声音身份与单句情绪可以分开保存：人物用哪个声音，单独固定；这句话是低声解释还是急着辩解，放在当前轮次。Google 文档也提醒，反复加入过长的角色描述可能导致声音漂移。这是该产品的使用建议，其他工具需要各自试听确认。

实际制作时，可以为人物留几段参考声音，再把后续生成与它们并排听。平静、紧张和低声说话时，是否还能认出是同一个人物？发音习惯有没有突然改变？发现变化后，回查声音配置与当前指导，比重写整份人物小传更容易定位原因。

## 两句台词，要连起来听

单句选好了，还得放回对话里。上一句结束后留了多久，下一句有没有抢话，会直接改变人物关系。原本像是不耐烦的回答，留出很长空白后，可能听成犹豫。

先把相邻两人的对白连起来，再配画面，检查称呼、读音和角色是否混淆。两个单听很好听的音色，接在一起也可能太相似。若人物在这个场景里需要被迅速认出，就要调整声音选择或说话习惯。

最后再听完整场景：店主那句压低声音的“欢迎回来”，是否被背景音乐盖掉了？熟客的下一句有没有接住这个暗示？这两处如果没成立，单句里的精细表演也很难被听众听出来。

## 相关资料

- [为小说人物固定音色与性格的制作尝试](https://nexttoken.tv/weekly/006/transcript#quote-48aa03f48cac92da24ec)
- [用神父角色描述声音表演的例子](https://nexttoken.tv/weekly/006/transcript#quote-db2fa6a59652219f2ec5)及[预期性格表现](https://nexttoken.tv/weekly/006/transcript#quote-b9e9ebf275cbc0abc0b0)
- [W3C：Speech Synthesis Markup Language 1.1](https://www.w3.org/TR/speech-synthesis11/)，2010 年；查阅于 2026 年 10 月 26 日。
- [Google：Text-to-speech generation](https://ai.google.dev/gemini-api/docs/speech-generation)，查阅于 2026 年 10 月 26 日。

## 来源与相关链接

- [网页版文章](https://nexttoken.tv/blog/directing-synthetic-character-voices)
- [Weekly #006 完整文字稿](https://nexttoken.tv/weekly/006/transcript)