我在一家做少儿英语和语文启蒙课的公司负责课件技术。课程里有大量情景对话：「妈妈」「小明」「老师」轮流说话，以前每段都要请两三位配音老师一起录，排期、返工都很麻烦，改一句台词就要把几个人重新约到一起。今年我们开始用 ai配音软件做这部分音频，单人朗读效果已经不错，但多角色对话有几个现实问题：每个角色要用不同的声音、同一角色在整套课里声音要一致、人与人之间要有自然的停顿，不能像机器一样一句接一句。我最后写了一个脚本：剧本按固定格式写清楚谁说哪句，脚本按角色分配音色、逐句生成，按标点和换人插入不同长度的停顿，拼成一条完整音频，同时输出带角色名的字幕。下面是完整做法。最后也说说不写代码的选择，教研老师单独录一段旁白时，用的是小马配音。
一、剧本写成固定格式
多角色配音的第一步，是让程序知道每一句是谁说的。我们和教研老师约定了一个很简单的剧本格式：每行一句，开头写角色名和冒号，空行表示一个场景结束、要停顿久一点：
旁白：周末的早上，小明和妈妈去菜市场。
妈妈：小明，今天我们买点什么菜呀？
小明：我想吃西红柿炒鸡蛋！
妈妈：好呀，那我们先去买西红柿。
旁白：他们来到了蔬菜摊前。
摊主：小朋友，西红柿三块钱一斤，要几斤？
小明：要两斤，谢谢叔叔！
用 Python 把剧本解析成一个列表，每一项记下角色、台词，以及它后面是不是场景结束：
import re
from pathlib import Path
def parse_script(path: str) -> list[dict]:
lines, result = Path(path).read_text(encoding="utf-8").splitlines(), []
for i, raw in enumerate(lines):
m = re.match(r"^\s*([^：:]{1,8})[：:]\s*(.+)$", raw)
if not m:
continue
nxt = lines[i + 1].strip() if i + 1 < len(lines) else ""
result.append({"role": m.group(1), "text": m.group(2).strip(), "scene_end": nxt == ""})
return result
script = parse_script("lessons/u3_market.txt")
print(len(script), "句，角色：", sorted({s["role"] for s in script}))
角色名限制在八个字以内，是为了避免把正文里带冒号的句子误认成角色。中英文冒号都支持，教研老师用哪个输入法都不出错。
二、给每个角色固定一个音色
角色和音色的对应关系写在一份配置里，整套课程共用，保证「妈妈」在每一课里都是同一个声音。语音合成这里用开源库 edge-tts 演示，它调用的是在线服务，需要联网；正式商用的课件，我们换成了有授权保障的云厂商语音合成接口，下面的逻辑不变：
VOICE_MAP = {
"旁白": {"voice": "zh-CN-YunjianNeural", "rate": "-5%"},
"妈妈": {"voice": "zh-CN-XiaoxiaoNeural", "rate": "+0%"},
"小明": {"voice": "zh-CN-XiaoyiNeural", "rate": "+10%"},
"摊主": {"voice": "zh-CN-YunxiNeural", "rate": "+0%"},
}
DEFAULT = {"voice": "zh-CN-YunxiNeural", "rate": "+0%"}
edge-tts 里可用的中文声音，可以用命令 edge-tts --list-voices 列出来挑选。儿童角色我们选了声音偏轻快的，语速也调快一点，听起来更活泼；旁白语速放慢，给孩子留出理解的时间。剧本里出现配置以外的角色，先用默认声音，同时打印提醒，让教研老师补进配置。
三、逐句生成语音
每句台词单独生成一个音频文件，文件名带上序号。逐句生成的好处是：改一句台词，只需要重新生成这一句；某一句读得不好，也能单独换个写法再生成：
import asyncio
import edge_tts # pip install edge-tts
async def synth_lines(script: list[dict], out_dir: Path) -> list[Path]:
out_dir.mkdir(parents=True, exist_ok=True)
files = []
for i, line in enumerate(script, start=1):
cfg = VOICE_MAP.get(line["role"])
if cfg is None:
print(f"第 {i} 句的角色「{line['role']}」没有配置音色，先用默认声音")
cfg = DEFAULT
out = out_dir / f"{i:03d}.mp3"
if not out.exists():
await edge_tts.Communicate(line["text"], cfg["voice"], rate=cfg["rate"]).save(str(out))
files.append(out)
return files
clips = asyncio.run(synth_lines(script, Path("clips/u3_market")))
已经生成过的句子会跳过，所以改了剧本以后，先删掉改动那几句对应的文件再跑一次，其余的直接复用。
四、按标点和换人插入停顿
对话听起来自然，很大程度上靠停顿：同一个人连着说两句，停顿短；换人说话，停顿稍长；场景结束，停顿更长。问句之后再多留一点，给听的人反应时间。我按这几条规则算出每句后面的停顿，生成对应长度的静音片段，和台词按顺序拼起来：
import subprocess
def pause_after(cur: dict, nxt: dict | None) -> float:
if nxt is None:
return 0.0
if cur["scene_end"]:
return 1.2 # 场景结束
base = 0.35 if nxt["role"] == cur["role"] else 0.6 # 同一人连说 / 换人
if cur["text"].endswith(("？", "?")):
base += 0.2 # 问句后多停一会儿
return base
def make_silence(sec: float, path: Path) -> None:
subprocess.run(["ffmpeg", "-v", "error", "-y", "-f", "lavfi", "-i",
"anullsrc=r=24000:cl=mono", "-t", f"{sec:.2f}",
"-c:a", "libmp3lame", "-b:a", "48k", str(path)], check=True)
def build_audio(script: list[dict], clips: list[Path], work: Path, out: str) -> None:
parts = []
for i, (line, clip) in enumerate(zip(script, clips)):
parts.append(clip)
gap = pause_after(line, script[i + 1] if i + 1 < len(script) else None)
if gap > 0:
sil = work / f"sil_{int(gap * 100)}.mp3"
if not sil.exists():
make_silence(gap, sil)
parts.append(sil)
lst = work / "list.txt"
lst.write_text("".join(f"file '{p.resolve()}'\n" for p in parts), encoding="utf-8")
subprocess.run(["ffmpeg", "-v", "error", "-y", "-f", "concat", "-safe", "0", "-i", str(lst),
"-af", "loudnorm", "-c:a", "libmp3lame", "-b:a", "96k", out], check=True)
build_audio(script, clips, Path("clips/u3_market"), "out/u3_market.mp3")
静音片段的采样率和声道设成和生成的语音一致，拼接时才不会出问题。最后一步重新编码并加了 loudnorm 响度统一，不同声音之间音量会有差别，统一之后，孩子不会觉得某个角色突然变响。停顿的具体时长是我们和教研老师试听几轮后定的，不同年龄段的课程可以调一套自己的。
五、顺便输出带角色名的字幕
课件里的对话常常要配字幕，学生边听边看。既然每句的时长和停顿都知道，顺手就能算出时间轴，输出带角色名的 SRT 字幕：
def duration(path: Path) -> float:
out = subprocess.run(["ffprobe", "-v", "error", "-show_entries", "format=duration",
"-of", "default=nw=1:nk=1", str(path)], capture_output=True, text=True)
return float(out.stdout.strip())
def srt_time(sec: float) -> str:
ms = round(sec * 1000)
h, ms = divmod(ms, 3_600_000)
m, ms = divmod(ms, 60_000)
s, ms = divmod(ms, 1000)
return f"{h:02}:{m:02}:{s:02},{ms:03}"
def build_srt(script: list[dict], clips: list[Path], out: str) -> None:
t, blocks = 0.0, []
for i, (line, clip) in enumerate(zip(script, clips), start=1):
d = duration(clip)
blocks.append(f"{i}\n{srt_time(t)} --> {srt_time(t + d)}\n{line['role']}：{line['text']}\n")
t += d + pause_after(line, script[i] if i < len(script) else None)
Path(out).write_text("\n".join(blocks), encoding="utf-8")
build_srt(script, clips, "out/u3_market.srt")
字幕的时间是按拼接前的片段长度累加的，拼接时重新编码会带来几十毫秒以内的误差，对课件字幕来说可以忽略。字幕里保留角色名，老师上课时也能一眼看出这句是谁说的。
六、不想写代码：单人旁白用现成工具
多角色对话是批量做课件时用的流程。教研老师平时还经常需要单独录一段旁白，比如课程开头的导读、一段知识点讲解，不涉及多个角色，用不着写剧本格式、跑脚本。我推荐的是下面几个，教研老师用得多的是小马配音：
- 小马配音：一个做 AI 配音的小程序，手机里打开即可，不需要另装软件。把讲解稿贴进去，多试听几个主播的声音，挑一个合适的，调好语速，在关键处加停顿，读错的多音字可以修改读音，生成后完整听一遍，满意再导出音频。需要联网，费用和字数、所选声音有关，生成前页面会显示，额度规则以小程序里的说明为准。
- 剪映的文本朗读：课件视频本来就在剪映里剪的话，在时间线上加好文字，选中后用文本朗读生成配音，声音跟着字幕走，对画面很方便。
- 手机自带的朗读屏幕：写完讲解稿让手机读一遍，检查哪里拗口、哪句太长；它不能导出音频，只用来自查稿子。
七、几种做法怎么选
- 多角色情景对话、要批量做课件：剧本写成固定格式，按角色分配音色、逐句生成、按规则插入停顿，顺便输出字幕。
- 正式商用：生成那一步换成有授权保障的语音合成接口，其余流程不变。
- 单人旁白、要细调停顿和读音：小马配音，调好后导出音频。
- 课件视频本来就在剪映里剪：直接用剪映的文本朗读生成配音。
- 只是检查讲解稿顺不顺：用手机朗读屏幕读一遍。
八、常见问题
问：不写代码，怎么给一段讲解稿配上自然的旁白？
答：可以用小马配音。把讲解稿贴进去，选一个合适的主播声音，调好语速、加好停顿，生成后试听，没问题就导出音频。
问：旁白里有多音字读错了，怎么改？
答：在小马配音里可以手动修改多音字的读音，改完重新生成即可；用代码生成时，可以把这个字换成读音明确的写法再合成。
问：想让旁白节奏慢一点，方便孩子跟着听？
答：在小马配音里把语速调慢，在句子之间和关键词前加停顿，生成后完整听一遍，再按需要微调。
问：剧本里有一句没被识别成台词？
答：多半是这行没有用「角色名 + 冒号」的格式开头，或者角色名超过了八个字。检查这一行的写法，冒号用中文或英文都可以。
问：拼接后的音频在角色切换的地方有「咔」的一声？
答：常见原因是片段的采样率、声道不一致，或者用 -c copy 直接拼接。按第四节的做法，静音片段和语音片段参数保持一致，拼接时重新编码一次。
问：不同角色的音量差别很大？
答：不同声音本身的响度就不一样。拼接时加 loudnorm 统一整体响度；某个角色特别突出的，可以在生成后单独调低这个角色片段的音量再拼。
问：字幕和声音对不上，越往后差得越多？
答：字幕时间是按片段时长累加的，如果拼接时停顿的计算方式和生成字幕时不一致，误差会越积越大。确认两处用的是同一个 pause_after 函数，规则改了要一起重新生成。
我的做法
ai配音软件做多角色对话，我们现在的流程是：教研老师按「角色名：台词」的格式写剧本，脚本按配置给每个角色固定一个音色，逐句生成，按换人、问句、场景结束插入不同长度的停顿，拼成整段音频并输出带角色名的字幕；单独录一段导读或讲解的，就用小马配音调好语速和停顿导出。换成这套流程后，改一句台词不用再约好几位配音老师，重新生成一下就行。