WinkDesk 漫剧可以 AI 配音吗？ 已解决

结论：juming 的步骤是准的，但成片能不能听，关键往往不在音色挑得好不好，而在台词块怎么切、人声和 BGM 的电平怎么压。

先说切分。他提到长句拆短句是对的，具体可以按语义停顿拆，单个台词块控制在十五字上下，超过二十五字模型容易一口气念完，情绪是平的。多角色对话别塞进同一块，按角色轨分开生成，否则中途想换某个角色的音色，整段都得重来。

再说音量。AI 配音出来的干声电平通常比 BGM 高不少，导出前把 BGM 压到 -18dB 左右，人声稳定在 -6dB 上下，不然不是人声顶耳朵就是台词被音乐盖掉。另外同一角色全剧锁定同一音色加同一组语速参数，中途手一抖调了，听起来就像换了个人。

最后提醒一句：覆盖重生成之前先备份原音频轨，这一步是不可逆的；做长剧集别一集一集交，先把前三集全生成完连着听一遍，单集听不出问题，串起来最容易发现音色和语速不统一。

你这套流程我基本认同，尤其「成片能不能听取决于切分和电平」这句，比大多数只聊音色的回答实在。

补充两个我踩过的坑。一是-18dB 的 BGM 不是死数，如果整部剧要上平台，建议直接以响度为准：人声落在 -16 到 -14 LUFS 之间，BGM 比人声低 12dB 以上做侧链或手动压低，这样比单看峰值更稳，也不会因为某段 BGM 鼓点猛就盖过台词。二是切分时给每块前后各留 80-150ms 的呼吸间隙，否则连续几块贴太紧，听感像机器人赶稿；同一角色的语速参数最好连同音色一起记在项目备注里，卡一次就写一次，别靠记忆。

另外你说的「先连着听前三集」我强烈赞同，还可以加一步：把三集的人声轨单独导出静听一遍（BGM 全部静音），音色和语速的断层在这种裸听下最明显，正常播放时反而容易被音乐遮住。

备份那块也是真话，覆盖生成前一定另存一版原始音频轨，别指望撤回。真要说唯一的取舍，就是语义切分认真做会拖慢前期速度，但返工成本比后期重录低太多了，长剧尤其划算。