AI 配音怎么做：给漫剧角色定嗓、配台词和对口型
更新于 2026-10-22
给 AI 漫剧配音，第一步是给每个角色定一个固定的音色（定嗓），之后这个角色的所有台词都用同一个声音；第二步按镜头逐句生成台词，控制情绪和时长；第三步让画面里的口型和声音对上。最常见的问题不是声音不好听，而是同一个角色每集声音都不一样。
AI 配音有几种方式
| 方式 | 怎么做 | 适合 |
|---|---|---|
| 文字转语音（TTS） | 选一个音色，输入台词生成语音 | 大部分台词、旁白 |
| 声音克隆 | 用一段参考音频复刻出一个音色，再用它说新台词 | 想要特定的声音 |
| 文字描述创建音色 | 用文字描述声音（如「低沉沙哑的中年男声」）生成一个新音色 | 找不到合适的现成音色时 |
| 视频模型带声音 | 部分视频模型生成画面时同时生成对白和环境音 | 对口型要求高的镜头 |
一部剧里可以混用：主要角色的关键台词用视频模型同步生成，旁白和画外音用 TTS。
第一步：给角色定嗓
定嗓就是给角色选定一个音色并固定下来。选音色时考虑：
- 年龄和性别：和角色设定一致；
- 性格：冷漠的总裁、活泼的少女、阴沉的反派，声音质感不一样；
- 辨识度：同框的两个角色，声音要能明显区分；
- 耐听：一部剧几十集都要听这个声音。
可以在剧本阶段就给每个角色写一句声线描述，比如「低哑烟嗓」「清亮少年音」，一经确定，跨集不变。
第二步：按镜头配台词
- 一句台词一条配音：方便和镜头对齐，也方便单独重做；
- 标明情绪：同一句「你回来了」，惊喜和冷淡完全是两种读法。配音模型支持情绪控制的，在生成时指定；
- 控制时长：中文台词每秒约 4 个字。镜头 4 秒，台词就不要超过 16 个字左右；配音模型支持指定目标时长的，可以直接按镜头时长生成；
- 留气口：台词之间、镜头切换处留一点停顿，听起来更自然。
第三步：口型对上
有台词的人物特写镜头，口型对不上会很明显。几种做法：
- 视频模型同步生成：带声音的视频模型（如 Seedance 2.0）把台词写进提示词，生成画面时同时生成对白和口型；
- 对口型：已经有人物视频和配音，用对口型模型把嘴型改成和配音一致；
- 数字人口播：一张人物肖像加一段配音，直接生成说话的视频，适合旁白、解说类镜头；
- 避开正脸：不重要的台词放在背影、远景或画外音里，不需要对口型。
音效和背景音乐
配音之外，一集还需要：
- 音效：开门声、脚步声、雨声，可以用文生音效模型生成；
- 背景音乐：可以用音乐模型生成，注意情绪和剧情匹配，不要盖过台词。
声音授权要注意什么
- 克隆真人的声音，必须取得本人授权；
- 不要克隆明星、公众人物的声音，即使只是「像」，也可能侵犯声音权益；
- 发布时，AI 生成的声音同样属于 AI 生成内容，要按平台规定标注。
常见问题
同一个角色每次生成的声音不一样怎么办？ 固定使用同一个音色，不要每次重新选；用视频模型同步生成对白时，给模型提供这个角色的声音样本作为参考。
配音太快或太慢怎么办？ 先检查台词字数是否超过镜头时长能容纳的量；超了就删字或拆镜头。支持目标时长的配音模型可以直接指定秒数。
AI 配音有情绪吗？ 有。不同模型的控制方式不同：有的选情绪标签，有的用一句话描述语气，有的可以调多个维度的情感强度。
在 RooYun 里怎么做
在 RooYun 里，角色卡上有两个定嗓入口：一是直接绑定音色，可以用文字描述声线，也可以用一段音频（上传、画布上已有的音频卡或「我的音色」）；二是「试镜定嗓」，先拍一条约 6 秒的试镜片，满意后点「用这条定嗓」，用它的嗓音锁定这个角色的音色（拍试镜片和抽取声音分两步计费，满意后才扣抽声的费用）。绑定后，这个角色的配音和视频生成都会带上它的声音。
分镜组的工具栏有「按台词铺配音」，会把每个镜头的台词逐行建成配音卡，按角色绑定的音色选声。配音模型有 IndexTTS 2.5（每秒 0.02 元，可控情感和目标时长）、VoxCPM2（可以用一句话指定风格）、MiniMax 语音等；音频卡上还可以做音色克隆（参考音频生成「我的音色」）。口型方面有数字人口播（肖像 + 配音，每秒 0.09 元）和口播对口型（人物视频 + 配音）。其他模型的价格以生成前显示为准。