小说一键转有声剧！豆包语音团队「AI多人有声剧」，沉浸感拉满了

景点排名 2025年10月28日 01:35 4 cc

机器之心发布

机器之心编辑部

「东州市第一监狱，犯人屠国安被狱警带到了招待室。

门一开，他看到有人背对着他，对方短发，身形纤瘦，姿态挺拔，在他的记忆里，并没有这样的熟人。」

这段文字源自一本知名的刑侦小说《遮云》，而下面这段音频是对应章节的「有声」版本，先听听：

在音频最开始的一分钟里，我们就听到了人物对白和旁白解说，脚步、开门、坐下、手铐晃动和递名片的声音，背景音乐等多种元素。相比于单纯地阅读文字，听书的沉浸感确实强了不少。

如果说，这段声情并茂的朗读音频都是由 AI 生成的呢？很多读者可能会感到惊讶：「不知不觉，AI 讲书的水准已经进化到这个地步了？」

是的，这段「AI 讲书」背后的配音和后期，来自豆包语音团队近日发布的「AI 多人有声剧」自动化方案。该方案不仅支持多角色、高表现力的 TTS 演播，同时也实现了全自动 AI 后期的链路。

也就是说，从小说文本到高质量的多人有声剧成品，全部由 AI 端到端完成。这意味着，基于该方案的有声书生产制作成本和周期大幅降低。目前，首批由该方案端到端创作的有声剧已经在番茄小说 App 上线。

具体而言，这套方案基于新升级的多角色 Seed-TTS-2.0 模型，配合 AI 自动音乐、音效、特效和智能混音，在听感效果上已经能够媲美行业一流水准的真人有声剧。

当然，开篇的 Demo 只是该方案的众多成果之一，让我们再欣赏一些高光片段：

把小说变成多人有声剧，总共分几步？

小说作品通常具有充满戏剧性的情节和极具感染力的台词，而将这些小说的文字内容转化为有声剧，同样受到了很多读者的欢迎。

传统多人有声剧的制作周期较长，一般会持续数月。立项后需要先经过人工切分画本并校准，设计配音角色表，并完成十几甚至几十个声优录制。随后，后期人员会精修音频，并在此基础上进行音效、音乐和混音处理，完成母带制作，最终输出为专业的有声剧成品。

而豆包语音团队提出的这套新方案，使得有声书生产的制作成本和周期大幅降低。方案首先利用端到端多角色语音模型合成 TTS 音轨，基于音频和后期画本预测模型，进一步生成带后期的有声剧。后期音效包含特效、音乐、音效、环境音，通过智能混音技术平衡音轨，最终生产出完整的成品多人有声剧。

AI 一键生成多人有声剧，如何媲美「真人配音 + 后期」？

在「多角色演播」和「AI 后期」等流程中，豆包语音团队的「AI 多人有声剧」自动化方案做到了高水准生成。

首先是「多角色演播」的效果升级。这套方案支持从「小说文本」到「多角色智能朗读音频」的全自动生产，音色匹配和对话归属准确率超过 98%。

在多人演播效果上，多角色 Seed-TTS-2.0 模型通过对海量文本与语音的多模态预训练，原生地将文本和语音模态融合，凭借强大的文本理解能力和语音演绎能力，进一步提升了对小说的角色、情感、副语言等细腻的演绎效果。这种演绎效果的升级，源自于几个创新点：

篇章级长上下文感知，进一步增加模型对上下文的感知范围，对角色的理解更加到位；
历史长音频建模，模拟真实小说录制场景，可感知所有上文音频信息，各角色语音承接力、表现力进一步加强；
多轮思维链 (CoT) 推理，引入思维链信息，强化对当前角色、人设、情感、副语言的理解，打造更加细腻的演绎效果，带来沉浸式的听书体验。

当模型的上下文感知能力更深刻，所呈现的「人物情感」也就更精准了：

满身是血的李子夜双臂强行撑起，说道：“趁他还不能动。”

再比如，小说文本中的「副语言」演绎效果有了显著的提升：

“咯咯咯！我现在告诉你一个好消息。”

此外，该方案创新地实现了「全自动 AI 后期」。

我们知道，画本对有声书的制作非常重要，传统人工方案需要根据剧本中的人物特点，在文本上标记强调词、停顿点、角色转换提示等，帮助配音者在演播过程中准确无误地传达信息。而「AI 多人有声剧」方案能高效地实现从小说文本到带有音效、人声特效、环境音、配乐的画本预测。

其中，「人声特效预测」能够结合说话人信息，预测是否添加特效以及特效内容，准确度接近 100%；动作音效预测基于 AED（音频事件检测）技术构建动作音效体系，在篇章级别的预测中避免剧情撞车的问题，实现时间轴精准对齐；环境识别预测能够在环境渲染可实现智能的淡入淡出，丰富后期效果的同时，保持情节和情绪的稳定性，完美适配 TTS 时长；在配乐设计层面，方案包含的小说智能配乐系统，能够为不同题材匹配最佳 BGM，配乐与剧情情绪同步、章节收尾自然，可以很好地烘托剧情氛围。

方案包含智能动态混音策略，做到了整体听感的自然统一与音质清晰度的最优平衡。在智能动态平衡与响度控制上，方案能够实时分析人声轨的能量与响度，使用侧链压缩技术通过人声自适应压低 BGM 与环境音，让对白始终清晰突出，并通过内容感知的动态范围与响度标准化处理，确保成品在不同设备上始终保持一致、自然、专业的听感。