很多小说推文配音流程的问题，不在 TTS 调用本身，而在 TTS 之前缺少一层可校对的文本结构。

如果直接把小说原文送进语音合成，系统只能把文字读出来。它不知道哪一段是旁白，哪一句是角色对白，哪一句没有明确说话人，哪里应该更激动，哪里应该留停顿。生成很快，但后期会在角色音色、字幕切分和剪辑交付上返工。

从工作流角度看，小说推文配音更合理的顺序应该是：原文 → 分段结构 → 人工校对 → TTS 生成 → 字幕和素材包交付。

为什么需要中间结构

小说文本不是标准配音脚本。

它常见的问题包括：

• 旁白、对白、心理描写混在同一段。
• 对白不一定有明确说话人。
• 情绪词可能写在上下文里，不在当前句子里。
• 反转和悬念需要停顿，但原文不会显式标注。
• 后期剪辑需要字幕结构，而不是一条孤立音频。

这些问题如果都交给后期处理，会导致重复工作。先结构化文本，能把返工提前暴露在生成之前。

一个更稳的流程

AiSounds（爱声音坊）的「小说推文配音包」可以作为这种流程的前端工作台。

用户在 https://aisounds.cn/agents 进入「小说推文配音包」后，先粘贴小说、短故事或剧情解说文案。DeepSeek 小助手会辅助识别旁白、人物对白、未知角色、情绪和停顿，把原文整理成适合 TTS 的分段表。

这个阶段的重点不是“AI 判断一定正确”，而是让用户拿到一个可编辑初稿。

后续用户再校对角色，选择旁白、主角、配角、路人的音色，确认情绪和停顿，最后生成完整配音、字幕文件和 ZIP 素材包。

结构化带来的实际收益

对开发或内容团队来说，这种结构化至少解决三个问题。

第一，减少无效生成。角色和音色在生成前就能检查，不必等音频出来后才发现错了。

第二，降低字幕返工。字幕和配音来自同一套分段结构，剪辑继续处理时更容易对齐。

第三，改善交付边界。ZIP 素材包比单条音频更适合团队交接，尤其适合写稿、配音、剪辑分工的场景。

它不是视频生成器，也不负责画面剪辑。更准确地说，它把小说原文到 TTS 之间缺失的那层“配音结构”补上。

使用时的边界

AI 拆稿需要保留人工校对环节。尤其是省略主语、多角色对话、内心独白和反转句，仍然要由创作者确认。

另外，不建议把所有角色都拆得过细。低频路人可以合并，旁白尽量保持稳定，重要角色再单独分音色。这样比“识别出多少角色就用多少声音”更利于最终听感。

如果只是单人旁白，普通 TTS 足够。如果内容里有角色、情绪、字幕和交付要求，先结构化再生成，会比直接整段 TTS 更符合实际生产流程。

入口：https://aisounds.cn/agents