智剧通（ZJT）文档中心 参考音频功能说明
本文档抓取自官方文档中心（2026-10-10 快照），具体功能以实际产品为准。

参考音频功能说明

概述

参考音频功能允许用户为对话组节点和角色库上传参考音频，用于生成更准确的语音合成效果。系统会优先使用对话组节点中的参考音频，如果未找到匹配的角色音频，则会从角色库中查找。

功能特性

1. 对话组节点参考音频

对话组节点支持上传多个参考音频文件，每个音频关联一个角色名称。

限制条件：

使用步骤：

  1. 打开对话组节点
  2. 在"参考音频"区域点击"添加音频"按钮
  3. 选择音频文件（系统会自动验证文件大小和时长）
  4. 输入该音频对应的角色名称
  5. 上传成功后，音频会显示在列表中

音频匹配规则：

2. 角色库参考音频

在创建或编辑角色时，可以为角色上传参考音频。

限制条件：

使用步骤：

  1. 打开角色创建/编辑界面
  2. 在"参考音频"字段选择音频文件
  3. 系统会自动验证文件大小和时长
  4. 验证通过后，音频会显示预览播放器
  5. 保存角色后，参考音频会关联到该角色

3. 预置音色库（2026-10 起）

系统自带 107 个 AI 合成预置音色（中文，覆盖青年/中年/老年男女声、儿童、旁白等角色），无需配置第三方 TTS 即可使用，试听免费。

入口：

入口位置
剧本写作页角色编辑弹窗 →「参考音频」→「从音色库选择」
声音生成页音频生成 → 参考音频克隆 →「从音色库选择」

使用步骤（以角色配音为例）：

  1. 剧本写作页 → 点击角色 →「从音色库选择」
  2. 弹窗中搜索 / 按性别筛选 → 点「▶ 试听」挑选
  3. 点「选择」→ 参考音频和音色描述自动回填 → 点「保存」
  4. 后续该角色在视频生成 / 分镜合成时即使用此音色

说明：

4. 声学音色指纹（2026-10 起）

角色编辑弹窗的「参考音频」区域提供「音色描述」字段，即该角色的声学音色指纹（voice_desc）——一段 30~60 字的纯声学特征描述，涵盖性别年龄段、音高、质感、音量、语速等维度，用于视频生成时的音色一致性控制（视频模型对参考音频只是弱微调，音色一致性主要靠这段文字指纹）。

使用步骤：

  1. 剧本写作页 → 打开角色编辑弹窗
  2. 先上传或生成该角色的参考音频（音色描述跟随参考音频生成，无参考音频时自动生成会提示）
  3. 点「自动生成」按钮，系统分析参考音频后自动填入音色描述
  4. 生成结果可手动修改，修改后保存角色
  5. 后续该角色参与的视频生成会使用这段指纹保持音色一致

说明：

音频生成优先级

当生成对话音频时，系统按以下优先级查找参考音频：

  1. 对话组节点参考音频（最高优先级）
  1. 角色库参考音频（次优先级）
  1. 无参考音频

使用场景

场景1：临时角色或未知角色

如果剧本中出现了角色库中不存在的角色，可以在对话组节点中临时添加该角色的参考音频，避免音频生成失败。

示例： 

剧本中有"路人甲"这个角色，但角色库中没有创建该角色。
可以在对话组节点中添加一个参考音频，角色名设置为"路人甲"。

场景2：同一角色不同情感

同一个角色在不同场景中可能需要不同的音色表现，可以在不同的对话组节点中为同一角色上传不同的参考音频。

示例： 

"小明"在场景A中情绪激动，在场景B中情绪平静。
可以在场景A的对话组中上传激动的参考音频。
在场景B的对话组中上传平静的参考音频。

场景3：快速测试音色

在正式创建角色之前，可以先在对话组节点中测试不同的参考音频效果，找到最合适的音色后再创建角色。

注意事项

  1. 音频格式：支持常见的音频格式（如 mp3, wav, m4a 等）
  2. 音频质量：建议使用清晰、无背景噪音的音频文件
  3. 角色名称：必须与对话中的角色名称完全一致
  4. 文件限制：严格遵守 10MB 和 20 秒的限制，超出限制的文件会被拒绝
  5. 存储位置：上传的音频会保存到服务器，重新加载工作流时会自动恢复

常见问题

Q: 为什么我的音频上传失败？
A: 请检查音频文件是否超过 10MB 或时长超过 20 秒。

Q: 角色名称不匹配怎么办？
A: 确保对话组中的参考音频角色名称与对话中的角色名称完全一致（包括大小写）。

Q: 可以修改已上传的参考音频吗？
A: 可以删除后重新添加新的参考音频。

Q: 对话组参考音频和角色库参考音频有什么区别？
A: 对话组参考音频优先级更高，适合临时使用或特殊场景；角色库参考音频是全局的，适合常用角色。

相关文档