富有表现力的 TTS
富有表现力的文本转语音
大多数文本转语音工具都要你先从列表里挑一种情绪。Drama 3 走的是另一条路：你在脚本里用自己的话描述表演，指示就放在该发生变化的地方。
真实的 Drama 3 生成结果
下面每一段音频都是对旁边所示脚本的实际生成。打开完整脚本、复制它，或者把它送进工作室，导演你自己的版本。
勉强撑住
[barely holding it together] I'm fine. Really. [shaky breath] Go on without me. I'll catch up. [pause] I just need a minute.
冷开场旁白
[low, measured, like a documentary narrator] The city went quiet at 3 a.m. [short pause] No sirens. No traffic. <slow>Just the rain.</slow>
反派登场
[amused, taking his time] You came all this way. [soft laugh] For a file. [harder, dropping the warmth] Then let me show you what is in it.
深夜电台主播
[smooth, close to the microphone] You're listening to the midnight hour. [sigh] If you're awake with me, <emphasis>you're not alone</emphasis>.
培训视频：先平和，后锋利
[clear and friendly] Welcome aboard. Today we cover the basics. [short pause] [firmer] And then we cover the mistakes that cost money.
童话开场
[hushed, telling a secret] Once, in a village that no longer exists, [pause] a girl traded her name for a lantern. <whisper>This is her story.</whisper>
客服来电：耐心渐失
[professional, polite] I understand. [short pause] [slower, holding it together] I have explained that twice. [exhale] Let us try once more.
有声书片段：温柔
[gentle, unhurried] She kept the letter for forty years. [pause] [almost a whisper] She never read it again, but she never threw it away either.
不用情绪选择器也能表达情绪
正是这些想法，让一句台词听起来像在表演，而不是在朗读。
描述表演，而不是选预设
像 [不耐烦，但不想表现出来] 这样的指示，比任何下拉菜单里的标签都包含更多信息，因为它说明了说话人正在用这句台词做什么。
在情绪发生变化的地方写下来
指示就嵌在文字中间，所以一句话可以开头轻、结尾重，而不必拆开脚本，也不必生成两次。
把声音和停顿当作标点
呼吸、叹息、笑声或停顿都可以放在真人会放的确切位置，而不是指望模型自己补上一个。
把控制范围保持在本句之内
像 <whisper>…</whisper> 这样的成对标签只改变它们包裹的词，所以一个短语可以降为低语，而这一句的其余部分仍保持正常音量。
从平铺的文字到一场表演
三遍处理，每一遍都很短。
先写平实的文本
把文案粘贴进来，在心里默读一遍。在碰任何标签之前，先标出承载情绪的词。
每次转折写一条指示
在语气发生变化的地方用平实的语言加一条指示。描述意图和听众，而不只是情绪。
生成并对比
听指示落地的那一刻。如果这句听起来还是像朗读，先把措辞打磨清楚，再考虑加下一个标签。
富有表现力的演绎在哪些场景重要
有声书与故事
让旁白跟着场景走：上一段平静，下一段紧张，而不必换第二位旁白。
视频配音
让朗读贴合剪辑节奏，包括那些不该听起来像播音员的轻声台词。
游戏与应用角色
给每句台词配上当下需要的态度，把不到位的那几条重新生成。
广告与社媒口播
在同一段短脚本里安排好钩子、转折和收尾。
在线课程
让讲解保持中性、让警告更有力度，而且用同一个声音。
无障碍朗读
在有助于理解的地方加入表现力，其余部分保持平实。
值得了解
富有表现力的演绎有实际限制，以下是来自生成流程本身的几条。
每次生成最多 2000 个字符
这个上限涵盖整份脚本，指示也计算在内。
情绪是写出来的，不是选出来的
没有情绪下拉菜单；表演来自你写下的文字。
每次生成一个 MP3
每条结果返回一个音频文件，可试听和下载。
不支持声音克隆
工作室根据你的脚本和指示生成语音，不提供声音克隆。
关于富有表现力文本转语音的常见问题
我需要从列表里挑一种情绪吗？
不需要。Drama 3 没有情绪选择器；你在脚本里用平实的语言描述表演，例如 [如释重负，终于放下]。
情绪词和描述，哪个更好？
描述更好。[心里慌得很，却努力装出冷静] 会让模型知道说话人在做什么，比单个情绪词更能稳定地塑造这一次生成。
我能在句子中间改变情绪吗？
可以。指示是嵌在文字里的，所以语气能在同一句之内变化，而不用拆成两次生成。
一句话里该有多少条指示？
先写一条，听一遍，只在演绎确实发生变化的地方再加。叠加的指示会互相竞争。
不同次生成的结果稳定吗？
Drama 3 是预览模型，Fish Audio 说明结果会有所差异，所以对重要台词多生成几条是常规做法。