短剧做到十来集,最容易乱的是角色声音:上一集的小陈听起来偏低沉,下一集突然变得明亮;台词一改,配音文件也找不回对应角色。解决办法不是每句重新挑声音,而是先为每个角色固定一段参考音、一个编号和一张使用记录表。

这篇用 IndexTTS-2.5 整理十个角色。官方把它描述为根据单段参考音进行零样本文本转语音;因此这里的“声音库”是角色编号到参考音文件的映射,不是训练十个新模型,也不会在文件夹外自动记住角色。IndexTTS 官方说明

先给角色建编号

先整理角色,再开始合成。示例清单放在练习包的 voice-library-template.csv:

编号 角色 参考音 用途
V01 主角A voice-01.wav 每次都用这段参考音
V02 主角B voice-02.wav 与主角A分开保存
V03–V10 其他角色 各自一段参考音 不在角色之间混用

参考音尽量是一名说话人、清楚可辨、没有配乐和多人重叠的短录音。可以让配音演员用自然语气说一两句台词;不要把带强烈哭腔、喊叫或背景音乐的片段当作角色的唯一参考。录音时先让本人确认用途。

把授权也记在项目自己的台账中:声音本人是谁、允许克隆到什么作品和渠道、是否允许新增台词、保留多久、怎样撤回。授权范围要覆盖你实际要做的事;拿到一段音频不等于自动拿到克隆和发布许可。不要克隆公众人物或用声音冒充真人发言。

用同一句台词先试听十种参考音

先让十个角色都读同一句中性台词,例如“我回来了,我们从第一场开始”。同一句便于比较每段声音的清晰度、音色和语速。选定后,把每个角色的参考音路径固定在清单里;之后要加台词,就重复使用同一个编号和参考音。

准备 IndexTTS-2.5 项目、对应的本地模型文件,以及练习包里的 CSV 和脚本。把十段已授权参考音放在 CSV 同一目录,并在表格里改好路径。然后在已安装 IndexTTS 的项目环境运行:

cd /path/to/index-tts
HF_HUB_OFFLINE=1 TRANSFORMERS_OFFLINE=1 MODELSCOPE_OFFLINE=1 \
.venv/bin/python /path/to/练习包/scripts/render_voice_library.py \
  --project-dir "$PWD" \
  --model-dir "$PWD/checkpoints" \
  --manifest /path/to/voice-library-template.csv \
  --output-dir /path/to/outputs/voice-library

脚本会先检查配置、主权重、语义编码器、声纹编码器和声码器都已存在;少文件就停止,不尝试下载。它一次加载模型,再按 CSV 逐行输出 WAV。若要重跑,请换一个输出目录,或先自行备份旧输出;脚本不会覆盖同名结果。

用同一参考音检查角色连续性

每个角色先用一条相同的试读句比较音色。选好后,再为其中一个角色添加两句新台词:只更换台词和 line_id,保留 speaker_id 与 reference_audio。这样能检查“同一个角色多次调用”的文件映射是否正确。换了参考音,就相当于换了声音依据,应重新听过并更新该角色后续台词。

把 WAV 放在一起听,并逐字对照剧本:检查错字、漏字、人名、停顿、句尾和情绪。再听同一角色的多句是否稳定,十个角色是否有足够辨识度。脚本只检查文件非空、采样率、声道和数值,不会判定“像不像同一个人”,也不会证明台词读得准确。

本机实测:十段参考音,十二条输出

在 MacBook Pro M1 Max 64GB 上,使用本机已有的 IndexTTS-2.5 权重和 MPS,离线环境一次运行十个虚构角色的同句样片,并为其中一个角色追加两句,共十二条 WAV。模型加载约 21.33 秒,含加载在内总计 113.04 秒;输出均为单声道 22.05 kHz,单条时长约 2.28–3.51 秒。

这次参考音由 macOS 内置语音合成生成,仅作为本机流程样本,不是真人录音或授权证明。结果验证了十个不同参考音都能进入脚本,并且同一角色编号可复用同一参考音;我没有人工试听或 ASR 对字,所以不据此判断十种声音听起来是否足够不同、台词是否无误或表演是否自然。真实项目应由配音导演逐条试听并确认。

模型许可、声音授权与内容标识

IndexTTS 官方中文许可要求使用者自行处理第三方数据和权重授权;许可还列出特定 MAU 或年收入门槛下另行申请商业许可的条件。使用前请查看当前协议,别只根据代码开源或本机能运行来判断能否商用。IndexTTS 中文许可

中国《人工智能生成合成内容标识办法》把音频列入生成合成内容,并要求用户发布时主动声明、使用平台提供的标识功能。发布前还要核对适用范围和目标平台的当前流程;练习音频的本机导出不代表已经完成标识。网信办正式文本

若你还要控制一句话的情绪,可继续看多角色配音与情绪控制;如果要逐句译成外语再配音,可看中文短剧英文翻译与配音。

练习包:下载《十个角色声线练习包》