AI 角色声音怎么捏？人物卡模板 + 20 个可直接改的角色声线

很多 AI 配音失败，不是因为声音“不够清楚”，而是因为它听起来不像一个具体的人。你可能已经选了男声、女声、青年、低沉、温柔这些标签，但生成出来还是像旁白：每一句都对，每一句都没有角色。

这篇文章单独讲一件事：怎么把 AI 角色声音写成一张可复用的人物卡。它不是模型评测，也不是已有短剧配音文章的补充；它是一套可以直接拿去改的角色声线模板。后面 20 个模板都来自 Seed Audio 试听清单，每个都有音色、说话方式、台词和 mp3 试听。

先别急着选音色库

只从音色库里试声音，最大的问题是角色会漂。第一集你选到一个“低沉男声”，第二集又因为台词情绪不同换成另一个“温柔男声”，听众很快会觉得角色换人了。

更稳的做法是先写人物卡。人物卡不是长设定，而是把声音拆成几块可复用的信息：

角色设定：这个人是谁，处在什么关系和处境里。
音色：年龄层、性别表达、音域、颗粒感、气声、距离感。
说话方式：语速、停顿、重音、句尾、情绪控制方式。
场景：此刻对谁说、在哪里、身体状态和心理状态。
台词：真正要生成的那一句或那一段。

音色决定“像谁”，说话方式决定“怎么演”。只写音色，模型容易朗读；加上说话方式，声音才开始有角色行为。

人物卡字段怎么写

人物卡最有用的地方，是把“角色设定”和“可生成的声音指令”分开。前者帮助你判断方向，后者才会真正影响模型输出。写的时候可以按下面五个字段拆：

角色设定写关系，不写履历。 不要把人物小传整段塞进去，优先写“他和听众是什么关系”“他现在有什么压力”“他为什么说这句话”。比如“被迫向旧友求助的前侦探”比“35 岁、前警员、喜欢咖啡”更能指导声音。
音色写可听见的特征。 年龄层、音域、明亮或暗、颗粒感、气声、鼻音、距离感都可以写；“高级感”“宿命感”“破碎感”这类抽象词要落到声音上，例如“低声、气息靠前、句尾轻微下沉”。
说话方式写行为。 语速快慢只是第一层，更关键的是停顿放在哪里、哪些词加重、句尾是收住还是上扬、情绪是外放还是压住。角色感通常来自这些行为，而不是单纯换一个音色。
场景写当下限制。 同一个角色在耳语、电话、审讯室、深夜走廊里的声音不一样。场景不需要长，但要交代听众、距离、身体状态和心理状态。
台词保留一个表演目标。 一段台词最好只有一个核心动作：安抚、试探、威胁、道歉、撒娇、隐瞒、下命令。目标太多，模型会平均用力，听起来就像读稿。

一个实用判断是：如果这张卡删掉台词以后，仍然能让另一个人想象出这个角色怎么说话，它就是可复用的；如果只能看出剧情设定，说明还没有写到声音层。

三步捏出一条角色声线

从人设定底模

社会人格决定音量和句尾，人生经历决定沙哑度和气声，职业/身份决定咬字和节奏。

只加一笔记忆点

反差、口癖、标志性发声三选一，最多两笔。写多了，声音会变成四不像。

锁进人物卡复用

【音色】【风格微调】跨集不动，每次只改【场景】【台词】。这就是角色不换人的最低成本。

从人设推声音的 4 条规则

当你没有现成模板时，可以先从人设反推声音，而不是先在音色库里盲选。

社会位置决定音量和礼貌度。 上位者通常更少解释、重音更稳、句尾更短；请求者会有更多缓冲词、停顿和试探。角色不是靠“霸总”“少女”这类标签成立，而是靠他说话时是否占据主动权。
身体状态决定呼吸和速度。 疲惫、病弱、紧张、刚哭过、刚跑完，都应该体现在气息、停顿和咬字上。身体状态比“悲伤”“开心”更容易被模型执行。
关系远近决定距离感。 对陌生人说话会更完整、更礼貌；对熟人会省略、打断、压低声音，甚至只说半句。想让角色亲密，不一定要写“温柔”，可以写“像怕吵醒对方一样靠近说”。
冲突方式决定情绪泄漏。 有些角色会直接爆发，有些角色会把情绪压在句尾，有些角色越生气越礼貌。先决定“情绪是否外露”，再决定音量和语速。

这四条规则可以帮你检查模板有没有跑偏：如果角色身份、身体状态、关系和冲突方式都没有进入声音指令，生成结果通常只会像普通旁白。

一张可复制的人物卡模板

下面这个格式可以直接改。不要一上来改所有形容词，先换角色设定和台词，再根据试听结果微调音色与说话方式。

【角色设定】沈砚，世家公子，表面清冷自持，久病缠身，今夜自知撑不久。他不是天生温柔，是为了你才肯软下来。
【音色】成年男性，低沉沙哑、气声偏多，近场耳语距离。语速缓慢、停顿长、呼吸清晰可闻。
【风格微调】越虚弱越带笑意；唤名字前有半拍停顿。
【场景】深夜，烛火将尽的卧房，窗外初雪。他把伏在膝边啜泣的人轻轻拉进怀里。
【台词】嘘……别哭。来，再靠近些，我冷。