广播剧最容易听乱的地方，通常不是台词，而是不同角色的声音、环境声和配乐同时挤在一起。一个简单做法是先把故事拆成短句，给每个角色固定一段获准使用的参考音，再单独处理环境声、音乐和提示音，最后分层混音。

这篇用原创的“早市汤摊”故事做了 7 句、3 个说话人的本地样音。IndexTTS-2.5 在 M1 Max 上加载约 21 秒、生成和拼接用时约 111 秒，对白总长 28.6 秒。混音用的是先前已测试的 Suno 配乐和音效，没有重新生成或扣积分。自动转写把“钥匙”“旧钟”等词识别错了几处，成品还没有人工试听，所以本文不评价音色和最终听感。

开始前分清四类素材的权利

  • 剧本：原创，或已取得改编、录音、传播和商业使用所需的许可。
  • 角色参考音：每位说话人都要单独确认是否同意将录音用于克隆音色、生成新台词及目标发布渠道。拿到音频文件不等于获得声音本人授权。
  • 音乐和音效：分别核对来源、下载方式、使用范围和商用条件。Suno 页面能播放，不代表就有可下载并站外交付的文件；实际权益和额度要看账户计划及当前条款。
  • AI 标识：发布合成音频时，按平台的声明流程添加相应标识。《人工智能生成合成内容标识办法》已于 2025 年 9 月 1 日施行，覆盖 AI 生成的音频内容。

IndexTTS 的官方接口通过 spk_audio_prompt 指定参考音频；多角色制作应为旁白和各角色分别准备有授权的声音，并在每句台词里固定角色对应关系。IndexTTS 使用文档 代码、模型权重和第三方参考数据的许可要分别查看，不能把本地运行理解成自动获得商用权。IndexTTS 中文许可

第一步：把短剧拆成角色台词

以下人物、店铺和情节均为虚构。短句分开生成，后续发现读错一个词时，只要重做对应片段。

顺序 角色 台词
1 旁白 雨停后，早市渐渐热闹起来，巷口的汤摊还亮着灯。
2 阿岚 林叔，您落在摊位上的钥匙，我帮您收好了。
3 林叔 还好找到了，今天我要去新店交钥匙。
4 阿岚 您的修表铺要搬走了吗？
5 林叔 不搬，只是把门口那只旧钟修好，送给新店主。
6 阿岚 那我把汤装好，您路上慢点。
7 旁白 收银铃响了一声，早市的叫卖声又盖过了雨声。

第二步：按角色生成对白

下载广播剧制作练习包，把 多角色合成脚本.py 放进本机 IndexTTS 项目根目录，也就是能看到 checkpoints/config.yaml 的文件夹。准备旁白、阿岚和林叔三段参考音后运行：

python 多角色合成脚本.py \
  --voice-narrator /path/to/authorized-narrator.wav \
  --voice-a /path/to/authorized-voice-a.wav \
  --voice-b /path/to/authorized-voice-b.wav

脚本逐句生成 WAV，在每句之间加 0.35 秒停顿，再把对白拼接到 outputs/s130/。它会检查输入文件、输出是否为空或包含异常数值，以及各段采样率、声道能否一致拼接。实际制作时，可按人物情绪和停顿调整文本；听见漏字、重音不自然或角色串音，就只重做问题段，不要一上来整篇重跑。

第三步：挑配乐和声音提示

如果需要新配乐，在 Suno 的 Songs 创作页选择纯音乐方向，描述情绪、乐器、速度和场景，例如：

instrumental background music for a warm morning market radio drama, gentle acoustic guitar, soft piano, subtle strings, restrained dynamics, no vocals, leave space for dialogue

Suno 的 Custom 流程支持填写风格和选择 Instrumental；Sounds 可以做短音效或循环环境采样，具体入口和生成选项以当前账户页面为准。Custom 说明 Sounds 说明

本次为了省积分，没有重新生成素材，复用了早前教程中已测试的 45 秒 Lo-fi 配乐、早市环境声和约 2 秒收银提示音。它们只作为本机混音输入，不放进本篇练习包。付费订阅作品权利、下载额度和试用限制应以账户和官方最新说明为准；需要站外交付时使用官方允许的下载方式，不录屏或抓取播放流来绕过限制。Suno 作品权利 下载说明

第四步：让对白、环境声和配乐各占一层

本次对白 28.6 秒。早市环境声铺底但保持很轻，配乐先淡入、最后淡出；收银提示音只在结尾出现一次。下面是本次混音的核心 FFmpeg 参数示意，音量和时间点只是这段样音的起点，换成其他设备和素材要重新听调：

ffmpeg -i dialogue.wav \
  -stream_loop -1 -i market-ambience.m4a \
  -stream_loop -1 -i instrumental.m4a \
  -i register-ding.m4a \
  -filter_complex "[0:a]volume=0.92[voice];[1:a]volume=0.13[amb];[2:a]volume=0.10,afade=t=in:d=1.5,afade=t=out:st=24.5:d=3.5[music];[3:a]volume=0.28,adelay=25500|25500[ding];[voice][amb][music][ding]amix=inputs=4:duration=first:normalize=0,alimiter=limit=0.95,aformat=sample_rates=48000:channel_layouts=stereo[out]" \
  -map "[out]" -c:a aac -b:a 192k drama-demo.m4a

试听时先确认对白清楚，再逐步提高环境声和配乐。提示音不要盖住角色台词，歌曲尾部也要留出自然收束。练习包中的脚本可以把七句合成为对白文件；音效排布和混音仍需按你的片长手工调整。

本次实测结果与限制

IndexTTS-2.5 在 M1 Max、64GB、macOS 27.0.1 上使用 3 段系统合成语音做本地技术演示：模型加载 21.34 秒，7 句生成、拼接与自检总计 111.45 秒，输出 28.617 秒单声道 22.05 kHz WAV。系统合成参考音不代表声音本人授权；样音和克隆结果都只留在本机，没有进入公开练习包。

把对白、早市环境声、配乐和提示音混合后，成品为 28.617 秒、48 kHz、双声道 AAC。FunASR 1.4.16 自动转写识别出三组说话人，但把“钥匙”识别为“钥声”、“旧钟”识别为“绣中”，把“不搬”识别为“不凡”。这是机器复核提示，不足以判断到底是合成发音问题还是识别错误；发布前还要人工逐句听审。本次没有听感结论，也不提供这段系统语音样音下载。

工具与授权提醒

工具 在这条流程里的作用 注意事项
IndexTTS-2.5 按旁白和角色参考音生成分段对白 参考音需声音本人明确授权；模型代码、权重和素材分别核对许可
Suno 可生成片头音乐、氛围音乐、One-Shot 音效或 Loop 环境声 生成会消耗账户额度；站外下载和商用条件按当前计划与条款核对
FFmpeg 控制音量、淡入淡出、延迟提示音并混合分轨 示例参数不是通用响度标准；最终要用耳机和手机外放复听

**不要把技术上能生成，写成权利上能使用。**人物声音、剧本、音乐、音效和发布平台的许可应分别确认；发布 AI 合成音频时按平台要求声明和标识。