应用怎么知道是谁在说话？自动多角色配音的内幕

要给一本书里的每个角色配上专属的声音，你得先回答一个听着不起眼、其实很难的问题：这句话是谁说的？真人读者不假思索就知道答案。软件却得有人一点点地教，而怎么教恰恰是最有意思的部分，也正是自动多角色配音能成立的关键，值得好好说一说。

那些容易的情况，以及它们怎么让你放松警惕

有些对话直接就告诉你谁在说话。

“我看得出，你去过阿富汗。”福尔摩斯说。

标注就摆在那儿：一个表示说话的动词，加一个名字，紧挨着引号。一个简单的程序，只要找到引号，在旁边找个“说”字，再配上一个专有名词，多数时候就对了。要是每句话都是这样，这问题一个下午就能搞定。

可惜偏偏不是。

难的地方在哪儿

真实的文字里，到处是不点明说话人的对话，而每一种不点明的方式，都是一道不同的题。

没有标注的句子。 一段对话一旦聊开了，作者就把标注省掉了，因为他默认读者能自己数着往下对。

“你去过阿富汗。” “你到底是怎么看出来的？” “先别管这个。眼下最要紧的是另一件事。”

三句话，一个名字都没有。要把它们分给各自的说话人，你得记住有两个人在对话、他们在轮流说，然后顺着这个节奏一路数下去，直到有什么把它打断。中间数错一次，后面每一句就全都归错人。

用代词的标注。 “他说”“她问”，把这句话派给了一个句中没点名的人。你得知道此刻这个“他”指的是谁，也就是要一直记着上一个提到的是谁、屋里还有谁在。

用动作代替标注。 很多时候压根没有说话的动词，只有紧挨着引号的一个动作。

福尔摩斯往后一靠，十指交叠。“这问题，得抽满三斗烟才想得明白。”

没有谁“说”了什么。我们之所以能推断出是福尔摩斯在讲，是因为动作是他做的。软件也得跟着做同样的推断。

先得知道书里有哪些角色。 在把一句话派给福尔摩斯之前，你得先知道有福尔摩斯这么个人，还得知道“夏洛克”“福尔摩斯先生”“福尔摩斯”，以及在他朋友叙述里的那个“他”，可能指的都是同一个人。没有现成的角色表，全靠从文字里把角色和他们的各种称呼一点点认出来，这本身就是单独的一步。

最后是那些没法下定论的。 第一人称叙述、故事里嵌进来的引用信件、五个人同时开口的场面、作者故意留白的一句话。有时候老实的答案是：连一个用心的真人读者也会停下来想一想。

各种做法是怎么一步步走过来的

早期的做法是基于规则的：找到引号，在旁边找“某某说”，找不到就退回到轮流发言这条假设上。快是快，可偏偏在文字变得有意思的地方最容易出错。后来出现了用标注过的书训练出来的统计模型，它们对上下文的处理好一些，但靠的还是表面的套路。

最近的变化在于，大语言模型读一段文字的方式，更接近人了。给它书里的一段，一个够强的模型能把整个场面装在脑子里：谁在场、上一句是谁说的、动作紧挨在哪句引文旁边。它把这些线索全用上，来判断一句话归谁，连没标注的也算得出来。这不是什么魔法，也谈不上完美，但比起把“说”跟最近的名字硬凑到一起，已经进了一大步。

BookNPC 拿它来做什么

BookNPC 会一页一页地把这套分析跑一遍。它算出书里有哪些角色、理清各种称呼、判断每一句是谁说的，连那些没标注的成串对话也不放过。然后给旁白和每个角色分别配上一个不同的声音。这就是给一本书配音时那一次性的功夫，也是配音要收一点费用的原因：力气花在读上，不在播上。

再好的说话人判断，碰到难啃的文字也做不到万无一失，所以应用把最终的决定权留给你。播放时，当前这句会显示成说话人的颜色，页面下方还会标出是谁，你一眼就能看到它认为这句是谁在讲。整张角色表就在旁边，任何一个声音你都能换掉。要是它把一段刁钻的对话判断错了，这个错你看得见、也改得了，不会悄没声地定死在里面。

为什么这是难的那一半，也是值钱的那一半

录声音是一部多角色有声书里容易的那一半。真正费钱、也需要真本事的那一半，向来是“导”：定下每一句由谁说、怎么说。自动判断说话人，就是软件在干这份导的活。它如今已经好到能把你带来的任意一本书做成多角色版，而不只是工作室选中去制作的那几本。

这就是一个功能背后的门道，虽然从外面看，它听起来无非就是“每个角色都有一个声音”。想看它是怎么运作的，就在 BookNPC 里给一本对话很多的书配上音，一边听一边看说话人的名字一个个冒出来。多角色与单一旁白的对比讲了这对听感本身意味着什么。