多角色对话听力制作：怎么让三个人的声音分得清
三个人说话，学生分不清谁在说，这道题就废了。问题几乎从来不是"音色不够多"，而是选音色的时候没做分层。
先做分层，再谈音色好不好听
选音色最容易犯的错，是给三个角色都挑了"听起来很标准"的播音腔。单独听每个都好，放在一起就糊成一片。
有效的做法是在三个维度上各拉开一项，只要拉开一项就够区分：
性别
最省事的区分维度。一男一女，学生闭着眼也分得开。
年龄
成年人和少年音的区别，在英语里比中文更明显，很适合做"家长和孩子"的对话。
音区
同性别时用高低音区分：一个偏低沉，一个偏明亮。别选两个音区接近的。
三人对话的推荐组合：一个成年男声 + 一个成年女声 + 一个少年音。任何两个角色同时出现都不会混。
角色名怎么写，才不会被当成正文
格式是角色名 + 半角冒号 + 空格 + 内容。角色名用英文，全篇保持一致——一会儿写 Tom 一会儿写 tom，系统会当成两个角色。
角色名本身念不出来，它只是标签。Woman 不会读出"woman"这个音，这一点可以放心。
Narrator: Listen to the conversation among three students. [3s] Tom: Are you coming to the club meeting this afternoon? Lily: I'd love to, but I have to finish my science report. Ben: [0.9]How long will it take?[/0.9] We could wait for you. Lily: Maybe half an hour. Don't wait if it gets late. [3s]
Narrator / Tom / Lily / Ben 四个角色，实际只需要三到四种音色。
一个必须知道的限制：情绪标签不是每个模型都支持
编辑器里有情绪标签：[Happy]、[Sad]、[Angry]、[Excited]、[Neutral]、[Warm]，写在一个角色某句话前面，那句话会用对应语气念。
但默认的 Microsoft Edge TTS 模型不支持情绪标签，编辑器顶部会直接提示"Microsoft Edge TTS 不支持情绪标签"。这时候标签会被忽略，音频照常生成，只是没有情绪变化。
要情绪效果，得换成支持指令控制的模型（比如 Gemini 系列、MiniMax）。代价是按字符计费，不再免费。
[Happy] 把整份材料的成本抬上去。
语速：不同模型的控制方式不一样
这一点很容易被忽略。多数模型是连续可调的，0.85 和 0.9 听得出差别。但 Qwen3-TTS 和 MiMo V2.5 是档位式，只有五档，相邻档位差异很小。
用档位式模型时，[0.8] 和 [0.9] 听起来几乎一样。要么跨档用（[0.7] 对 [1.2]），要么别指望细微控制。做分层语速的材料前，先确认你选的模型是哪一类。
生成完的检查顺序
- 盲听第一遍，不看文本。如果自己都分不清谁在说，学生一定也分不清。
- 看文本再听一遍，确认角色和音色对应没错。错配的典型表现是"女声在说 Tom 的台词"。
- 外放一遍。耳机里分得清的音色，教室音箱里可能就糊了，尤其是两个同性别音色。
- 找个人听。同事或一个学生，30 秒就能告诉你哪句分不清——你自己听三遍已经习惯了。
学生总说分不清，按这个顺序排查
| 现象 | 最可能的原因 | 处理 |
|---|---|---|
| 两个角色像同一个人 | 音色在同一音区 | 换掉其中一个，改年龄或性别 |
| 某个角色听不见 | 该音色音量偏低 | 换一个音色，或在导出后统一增益 |
| 换人时没有停顿 | 角色之间缺间隔 | 每句之间加 [1s] 或 [2s] |
| 旁白和角色混在一起 | 旁白用了角色音色 | 旁白固定用中性音色，全篇不要换 |
常见问题
角色多，音色不够用怎么办？
四个以上角色时，重点角色用区分度大的音色，群众角色可以共用。考试材料里一般不会超过四个角色，超了就说明这段对话可以拆成两段。
能不能克隆自己的声音，让不同角色都用我的声线？
技术上可以克隆，但一个声线演多个角色，区分度会很差。除非这是一段单人朗读，否则不建议。
角色名可以用中文吗？
不建议。中文角色名容易和正文混在一起，识别出错。用 Tom、Lily、Man、Woman 这类英文名最稳。
生成出来的对话节奏太快，来不及反应
把全局语速降到 0.9，然后在每个角色切换的地方加 [1s]。真人对话本来就有换气停顿，加上之后反而更自然。