有声书TTS工作流：批量10万字+角色分配实战

一、工作流设计，先捋一下

做有声书不能上来就怼。我踩过坑，第一个月用AI配音直接丢进去，结果角色全是一个声音，听着像念经。后来设计了一套流程：

1. 分章：把10万字按章节拆成每章5000字以内的txt文件，命名如“01.txt”。
2. 标记角色：在文本里用[角色名]标签标出对话，比如[男主]你还好吗？[女主]我没事。
3. 选择音色：旁白用稳定叙事音色，主角用特色音色，路人甲用默认。
4. 批量提交：用批量配音功能一次性上传所有章节，每章指定音色。
5. 合成与检查：下载后听一遍，把明显的断句、念错的地方标记出来，用语音转换修正。

先听一段旁白效果，我用的YunXi叙事音色：

再听一段女主对话，XiaoXiao温柔：

二、角色分配实战，别让“他”听起来像“她”

浮云梦配音有两种方式给角色分配音色：

方式1：文本标记 + 批量配音

在每章开头加入一行#角色:男主=zh-CN-Yunjian-Default，然后批量配音就会自动把标记内的文本用指定音色生成。我试过10章一起提交，没出过错。

方式2：多人对话配音

如果是对话密集的场景，直接用多人对话配音功能。先创建对话模板，把每个角色的台词贴进去，一人一句，自动生成一条带交替音频的文件。这功能对剧本式小说特别友好。

举个例子，我搞了一本侦探小说，主角是Yunjian体育解说音色，适合快节奏推理：

反派我用YunXi严肃音色，低沉有压迫感：

注意：角色名标记要统一，大小写、空格都不能错，否则会被当成普通文本念出来。

三、批量10万字，这些坑我替你踩了

先说说批量配音的入口：批量配音页面，支持一次上传多个txt文件，每个文件可以单独设置语言、音色、语速、音量。实测10万字分20次提交（每章5000字），每次大概等3-5分钟就生成完了。

几个关键点：

• 文本格式：用UTF-8编码，不要带BOM头，否则首行可能多一个空白字符。
• 标点符号：英文句号会被当成英文处理，导致停顿不对。记得全篇转成中文标点。
• 生僻字：比如“犄角旮旯”、“饕餮”，AI会读错。我一般提前用同音字替换，或者用SSML标注拼音。浮云梦支持SSML，可以加<phoneme alphabet="py" ph="tao tie">饕餮</phoneme>。
• 数字与日期：2026年7月20日，AI可能读成“二零二六年七月二十日”或“两千零二十六年”，想要统一风格，就在文本里写全。

批量生成后，下载的zip包里有每个文件的wav或mp3（可选）。我习惯用mp3格式，体积小，方便后续拼接。

四、语音克隆提升角色辨识度

如果觉得默认音色不够个性，可以试试语音克隆。我录了一段10秒的亲戚说话，克隆后用在小说配角上，效果出乎意料。克隆出来的音色可以在批量配音或多人对话配音里直接选。

注意：克隆的样本要干净，不要有背景音乐、回声。语速中等，语气平稳。克隆后试听一段，如果觉得“像但不像”，可以重新录一段样本再试。浮云梦目前支持同时保留5个克隆音色，够用了。

五、临了，再跟其他方案比一嘴

有人说用Edge浏览器自带的“大声朗读”也能听，但那个不能批量，不能指定角色，而且输出格式只有mp3需要手动截取。还有用Azure API自己开发，但要有编程能力，且API按时长收费。浮云梦直接封装了Azure的HD神经网络，但完全免费，等于白嫖。

我算过一笔账：如果找真人配音，10万字有声书至少3000元（按每100字3元算）。用浮云梦，除了电费网费，零成本。而且生成速度比真人快几百倍。