想把一段小说做成多人有声书，先别整本扔进语音模型。先确认你有权制作和发布有声版本，再把正文拆成旁白和角色台词，每个角色绑定一段获准使用的参考录音，最后逐段生成、拼接、听审。本篇用原创短故事和本机 IndexTTS-2.5 跑通 4 段流程；本次转写没能区分角色，成品也还没有人工试听，所以不能把“跑通”当作可直接交付的声音质量证明。
先把原作、声音和模型许可分开核对
把小说改成有声书，可能涉及原作的复制、改编和信息网络传播等权利。《著作权法》把这些列为不同权利；改编已有作品也不能侵害原作权利。制作前要确认授权范围是否包含有声演绎、改编、录音制作、平台上传、商业传播和授权期限。自己改几个名字并不自动取得原作授权。查看《著作权法》
参考音色也要有独立授权。只用自己录制、或本人明确允许用于有声书和目标平台的录音；不要克隆作者、演员、主播、家人或未成年人的声音来冒充本人。剧本、背景音乐、音效、封面也要分别确认使用权。
IndexTTS-2.5 的官方中文协议提供有限许可，并规定：如果你或关联方的产品/服务上月月活超过 1 亿，或上一自然年营收超过 1 亿元人民币，需另行申请商业许可，取得书面授权前不能行使相关许可。其他使用条件也要遵守，尤其是保留协议和版权声明、第三方数据须有授权。具体以官方中文协议当前版本为准。
发布 AI 合成音频时，还要按适用的内容标识规定和平台流程申报；不要为了看起来像真人录音而移除标识。平台当前的入驻、版权材料、分成比例和 AI 音频字段因平台而异，本篇不提供未经核对的统一比例。查看《人工智能生成合成内容标识办法》
为什么这次选 IndexTTS-2.5
IndexTTS-2.5 官方说明支持中文和单条参考音频克隆音色，也提供语速、情绪等控制，适合逐段指定角色声音。本篇只实际测试了中文分角色合成，不代表验证了其他语言、整本书长时间运行或平台交付。模型协议的商业门槛和署名/权利义务也必须先核对，不能只看到“本地运行”就认为可商用。查看官方说明
CosyVoice 3 的模型卡元数据显示 Apache-2.0，同时正文还带有学术用途免责声明；这两种表述对商业权重使用的边界没有在该页面说清楚。因此这次没有选它做商业有声书流程，若要用于付费项目，先向权利方确认适用范围。查看 CosyVoice 3 模型卡
第一步：按说话人拆文本
用原创样例演示，不拿受版权保护的小说试做。把长段落拆成短句，保留段落顺序，为每句标明说话人、情绪、停顿和发音难点。旁白重复使用同一条声音参考，同一角色也尽量固定同一条参考音频；如果一段里角色切换多次，拆成多个文件会更方便返工。
本次的 4 句测试稿如下，阿青和老周的参考音频只在本机临时调用，练习包不分发这些声音文件：
| 顺序 | 角色 | 台词 |
|---|---|---|
| 1 | 旁白 | 雨停以后，旧车站只剩一盏灯还亮着。 |
| 2 | 阿青 | 你看，河面上是不是有一只小船？ |
| 3 | 老周 | 那是渡船。别着急，我们还有时间。 |
| 4 | 旁白 | 两个人沿着灯光走去，夜风里传来一声轻轻的汽笛。 |
第二步：安装模型并生成分段音频
如果还没有 IndexTTS 环境，可先看Mac 本地用 IndexTTS-2.5 克隆声音。官方安装、模型下载路径和 Python API 可能变化；操作前以IndexTTS 仓库为准。
下载多角色有声书练习包，把 multi_role_audiobook.py 放到 IndexTTS 项目根目录，即 checkpoints/、examples/ 和 webui.py 所在的文件夹。从该目录运行：
uv run python multi_role_audiobook.py脚本里每一段有 speaker、voice、text 三项。把 voice 路径替换成已授权的参考录音，把文本替换为你的合法稿件。它依次调用 IndexTTS-2.5，把各段保存为独立 WAV，检查文件非空、采样率和声道一致，再在段间插入 0.35 秒静音并拼成一条 多角色有声书.wav。输出和逐段统计保存在项目 outputs/audiobook_demo/。
这次模型加载约 25.5 秒，4 段总脚本约 82.7 秒；四段语音约 3.43、3.00、2.59、4.34 秒，最终拼接为 14.40 秒、22.05 kHz WAV。该时间仅代表 M1 Max 64GB 本机短文本样例，不适用于估算整本书工期；章节分段、人工校对和试听另计。
第三步：转写校对，再逐段听
用FunASR 本机转写教程把成品转写一遍，能较快发现漏句、重句或明显错读。本次 FunASR 1.4.16 转写覆盖了 4 句文本，但出现断句标点偏差；说话人识别把全段都合并成同一人，没有可靠区分旁白、阿青和老周。因此自动转写只能作为初筛，不能证明配音无误或角色声音足够不同。
发布前仍要从头到尾试听整段和每个分轨：检查人名、专有词、数字、情绪、语速、音量、背景噪音、角色衔接和章节结尾。把问题逐条回写到台词表，改完只重生成对应片段，再重新听拼接后的成品。本次只验证文件生成、拼接、自检和文字覆盖，没有人工听审，也没有测长篇或商业平台发布；不要把本机样音直接当成可交付成品。
发布前做一次权利清单
- 原作：原创或已获许可；许可明确涵盖有声版本、必要改编和网络传播。
- 声音：参考录音本人同意用于克隆、目标平台和商业场景；保留授权记录。
- 配乐与音效：有明确商用和平台传播许可，或自己制作。
- 模型：逐项核对权重、代码、示例素材和商业门槛；模型许可证不等于原作、声音或配乐授权。
- 发布：填写平台要求的权利信息和 AI 生成内容标识；保存最终文本、分轨、混音稿和审听记录。
本次测试限制
本次使用 IndexTTS 官方示例录音做了本机功能验证，参考声音和合成音频都留在本机，未放进公开练习包。FunASR 没有分清角色，成品未被人耳审听，因此角色音色差异、读音自然度、听感和长篇稳定性仍未验证。平台分成、商业授权个案、第三方小说、其他设备和其他音色也未测试。