ETT 与 NSF 有声创作工作流

作者：222 余秋霖

把小说变成多角色音频，需要先判断谁在说话，再为人物安排声音。NSF（Novel Speaker Factory）负责文本与人物资料，ETT 负责语音生成和音频制作，两者连接成一条从原文到声音作品的流程。

先整理内容，再制作声音

NSF 按章节提取对白，结合前后语境判断说话人，整理角色别名，并生成带角色标记的脚本。识别结果可以人工校对，角色可以修改、合并，再绑定已有音色或通过兼容服务设计声音。

ETT 按角色分配音色，将长文本拆成语音任务。片段可以并发生成，最终仍按脚本顺序排列，再通过 FFmpeg 等能力完成格式转换、拼接与混音。停顿、音乐和音效由明确标记控制，节奏由创作者决定。

可以协作，也能分别使用

两者通过项目数据或本机接口交接脚本、角色与音色对应关系、服务参数和任务进度。ETT 能处理人工准备的脚本，NSF 也能先独立完成小说整理。ETT 还提供 MCP 工具接口，供 AI 助手查询音色、检查脚本和调用生成能力。

长篇任务保留章节标注和音频检查点，在已有结果仍有效时复用已完成部分。说话人判断、音色稳定性和情绪表现仍需校对、试听；使用外部模型或语音服务时，效果和数据处理方式取决于所配置的服务。

ETT 文字转语音工作站曾获创新大赛省二等奖。这份介绍进一步展示它与 NSF 的协作方式。

更多原理见图文手记：ETT 与 NSF，从小说到多角色声音。