ETT 与 NSF：从小说到多角色声音

把小说变成多角色音频，要解决两个问题：先判断谁在说话，再让不同人物用各自的声音讲出来。NSF 负责整理文本、识别角色和准备声音资料；ETT 负责语音生成、片段组合与音频输出。两者连接起来，就形成了一条从原文到声音作品的制作流程。

NSF 怎样读懂人物和对白

NSF 是 Novel Speaker Factory 的简称。它先把小说整理为章节，提取对白，再借助大语言模型判断每句话的说话人。

这件事比寻找引号中的人名复杂。例如，林默说“苏然，灯还亮着”，句子里虽然出现了苏然的名字，实际说话人却是林默。判断需要结合动作描写、前后问答和人物称呼。因此，NSF 会把目标对白与附近的原文一起交给模型，并提供可能的角色作为参考。

长篇文本会分块、分批处理，避免每次都把整本小说发送给模型。系统还会整理角色的不同称呼，例如把“林默”和“小林”关联起来，减少同一个人被拆成多个角色的情况。识别结果可以人工校对，角色也可以修改或合并。

完成这些工作后，NSF 将人物身份与对白对应起来，同时保留叙述部分，形成带角色标记的配音脚本。

角色怎样获得声音

每个角色可以选择语音服务已有的音色，也可以通过文字描述设计声音，例如“青年男性，音色温暖，语速适中，表达冷静”。

这里有两类模型参与。语言模型可以根据人物的对白与上下文，辅助写出声音描述；语音模型接收描述和试听台词，生成真正可播放的音频。NSF 支持通过 VoiceDesign 兼容服务制作试听，再把选定的音色与角色绑定。

人物身份和声音配置分别保存，所以调整音色时，不必重新判断所有对白。支持参考音频的服务还可以利用声音样本，但具体效果取决于模型与接口；长篇中的音色稳定性和情绪表现仍需试听确认。

ETT 怎样完成音频制作

ETT 是多角色文本转语音工具。它读取脚本，按角色找到对应音色，再把长文本切成较小的语音任务，交给相应服务生成。同一个项目可以组合不同来源的声音。

为了减少等待，部分片段可以并发生成，但最终仍按脚本顺序排列。先返回的片段不会因此被放到故事前面。

声音生成之后，还要进行音频处理。拼接让旁白和对白依次播放；混音让背景音乐或音效与人声同时出现。ETT 借助 FFmpeg 等音频处理能力，完成格式转换、拼接和混音，并根据实际音频时长安排标记位置。停顿、音乐和音效由明确的脚本标记控制，场景节奏仍由创作者决定。

两个项目如何协作

NSF 通过项目数据交付带角色的脚本、角色与音色的对应关系，以及相关声音参数。ETT 读取这些信息后执行配音。它们也能通过本机接口交换声音列表、提交任务和查询进度。

两者各自可以独立使用：ETT 能处理人工准备的脚本，NSF 能先完成小说整理，之后再交接声音制作。ETT 还提供 MCP 工具接口，让 AI 助手查询音色、检查脚本并调用生成能力。MCP 可以理解为 AI 助手使用外部工具的一套约定。

长篇任务需要考虑中断。NSF 保存章节与标注进度，ETT 为声音片段保留检查点；条件匹配、已有结果仍有效时，可以复用完成部分，补齐剩余工作。

这套组合把文本理解、角色配声和音频处理连接起来，同时保留检查与修改的空间。它的效果仍受原文、模型和语音服务影响：说话人可能判断错误，声音也需要调整。核心价值在于让这些步骤有序衔接，让创作者能把精力放在内容判断和声音表现上。

查看 ETT 与 NSF 项目介绍