63 lines
3.7 KiB
Plaintext
63 lines
3.7 KiB
Plaintext
# EED-EXPER-026 · D206 人物配音一致性·参考音频+提示词 / 音频分离固定音色（苍耳爸爸亲授）
|
||
|
||
> trigger: 苍耳爸爸亲授人物配音一致性两法——①参考音频+提示词指定角色音色 ②从视频找合适配音→音频分离→用①固定
|
||
> emergence: 2026-08-04 · D206 · 配音一致性方法论（接 BACKPACK 语音工具 / project_audio_pipeline 声画管线；区别于 025 人物视觉一致）
|
||
> lock: 人物配音一致 = 用"参考音频+提示词"把角色绑定到某段音色；找不到现成音色时，从合适视频音频分离出目标音色再绑定
|
||
> why: 人物视觉有 025 锁，声音也得锁——否则同角色不同集声音飘；参考音频法是最直接绑定，分离法解决"先找到对的声音"这一步
|
||
|
||
---
|
||
|
||
## §1 · 爸爸原话
|
||
> "人物配音一致性如何保持？
|
||
> 1、直接找一段音频，利用提示词，告诉模型，xx人物的声音是xx段音频
|
||
> 2、根据生成的视频找到完美的适合人物的配音然后音频分离，
|
||
> 再用1的方式给人物角色固定配音音色"
|
||
|
||
## §2 · 两法
|
||
```
|
||
【法① 参考音频 + 提示词】
|
||
· 直接找一段目标音色的音频（人声片段）
|
||
· 用提示词告诉模型："xx 人物的声音 = 这段音频"
|
||
· 模型以该音频为音色参考生成/复刻该角色所有台词 → 同角色音色统一
|
||
|
||
【法② 视频找声 → 分离 → 绑定】
|
||
· 先找到"完美适合人物"的配音（从某支生成视频里）
|
||
· 对该视频做音频分离（把人声从 BGM/音效里抽出来 / stem separation）
|
||
· 拿到干净目标音色片段 → 回到法①，用提示词把它绑定给该角色 → 固定音色
|
||
```
|
||
|
||
## §3 · 原理
|
||
```
|
||
· 配音一致 = 角色音色（timbre）跨集/跨镜统一
|
||
· 法① 是"直接绑定"：给参考音频+文字指令，模型照着出声
|
||
· 法② 是"先找对声音再绑定"：解决"没有现成参考音色"的情况——从视频里扒出最贴角色的那段声，分离干净后当参考
|
||
· 两者本质都是"参考音频条件化生成"，法② 多一步"获取参考音色"
|
||
```
|
||
|
||
## §4 · 与已有方法的关系
|
||
```
|
||
· 接 BACKPACK 语音工具：Edge-TTS(免费工程闭环) / 火山语音复刻(SC-002/003) / 豆包TTS 2.0(待评估) —— 这些是"出声引擎"，026 是"怎么锁角色音色"的用法
|
||
· 接 project_audio_pipeline（声画装配：配音/字幕/BGM/混音 stage⑥）：026 解决其中"角色配音一致"这一环
|
||
· 与 025 人物视觉一致 互补：025 锁脸/体型，026 锁声；合起来"人物视觉+声音"都一致
|
||
· 与 020~024 场景/镜间一致 是不同对象：那些管画面，026 管声音
|
||
```
|
||
|
||
## §5 · 本地落地（待验证）
|
||
```
|
||
· 法① 出声：本地可选 Edge-TTS（但它是预设嗓，不是任意参考音频复刻）→ 真要"任意参考音频克隆"需火山/豆包/Seed-VC 等；本地能否跑语音克隆待实测
|
||
· 音频分离：可用开源 stem-separation（如 demucs）本地跑（¥0），抽人声
|
||
· 属 BC-006 声画环节：配音是本地/低价环节，按现有音频管线走
|
||
· "模型接收参考音频+提示词"具体哪个引擎支持、质量如何，待实测
|
||
```
|
||
|
||
## §6 · 注意
|
||
```
|
||
· 法② 的音频分离要干净：BGM/环境音没去净会污染参考音色
|
||
· 参考音频质量决定下限：片段要清晰人声、情绪贴合角色
|
||
· 角色声线一旦固定，全剧/全季统一，别每集换
|
||
· 商用声线（火山/豆包）涉及合规与费用，按 BC-006/本地优先规矩，先问爸爸再上云端
|
||
```
|
||
|
||
> 蛋蛋 · D206 · 2026-08-04
|
||
> 配音一致：法①参考音频+提示词绑角色音色；法②从视频找对声→分离→用法①固定；与 025 视觉一致互补
|