小说推文配音的工程化思路：不要跳过人工校对层
很多 AI 配音流程看起来很简单：输入文本，调用 TTS，输出音频。
但小说推文不是普通文本。它的问题不是“怎么把字符串转成语音”，而是怎么把一段故事拆成稳定的生产结构。没有这层结构，后面会在角色音色、情绪、停顿、字幕和素材交付上反复返工。
从内容生产角度看，小说推文配音应该多一个中间层：可校对的分段数据。
直接 TTS 的隐性成本
直接把小说原文送进 TTS，有几个问题：
- speaker 信息不明确。
- narrator 和 dialogue 混在一起。
- emotion 依赖上下文。
- pause 不会自然结构化。
- subtitles 需要后期重新切。
- delivery 只有 audio，不适合团队交接。
这些问题在单条内容里还能手工补救，但在日更、批量或多人协作场景下，会变成稳定性问题。
更好的流程
一个更合理的流程是：
raw story text
-> AI-assisted segmentation
-> human review
-> voice assignment
-> TTS generation
-> subtitles + ZIP deliveryAiSounds（爱声音坊）的「小说推文配音包」就是沿着这个方向做的。
用户在 https://aisounds.cn/agents 粘贴小说、短故事或剧情解说文案后，DeepSeek 小助手会辅助识别旁白、人物对白、未知角色、情绪和停顿。然后用户进入角色校对，确认角色和音色，再生成完整配音、字幕文件和 ZIP 素材包。
重点是 human review。AI 不是直接替用户决定最终结果，而是生成一个可修改的初始结构。
为什么这个中间层重要
中间层能把错误前置。
角色识别不对，可以在生成前改；未知角色太多，可以合并；情绪过强，可以调回中性；旁白被拆错，也能在表格里修。
如果没有这层，错误会在音频生成后才暴露，返工成本更高。
对剪辑来说，中间层也有意义。字幕和配音来自同一套结构，ZIP 素材包比单条音频更适合继续处理。
边界也要说清楚
它不是自动成片工具，不解决画面和剪辑问题。它解决的是小说原文到配音素材之间的结构化问题。
AI 拆稿也不是确定性解析器。省略主语、上下文情绪、多人对白，都需要人工校对。
但这恰恰是这个流程合理的地方：用 AI 减少第一轮重复劳动，用人保留最终判断。对小说推文这类高频内容来说，这比直接追求一键生成更可控。
入口：https://aisounds.cn/agents
