数字人配音里的情绪是怎么做出来的

同一句欢迎来到我们的直播间，真人说出来能让人停下来，数字人说出来却像播报航班信息。差的不是音色，是情绪。很多人以为加个感叹号、把音量调大就叫有情绪，结果出来的是喊，不是热。情绪在语音里其实是有具体刻度的：音高怎么走、语速怎么变、在哪里停、气息给多少。这一篇把这几层拆开讲，最后给一张可以直接照抄的参数表，让你下次调音时不再靠感觉瞎试。

情绪不是加个感叹号就行

先破除一个误解。文字上的情绪标记，机器基本读不懂。你在稿子里写太棒了加三个感叹号，它只会把三个感叹号当成三个标点，处理成三个停顿，读出来反而更怪。真正被模型感知的是参数。声音的情绪大致由三样东西决定：音高曲线，也就是声音的高低怎么走；时长节奏，说多快、在哪里停；音质，气息多不多、嗓子紧不紧。这三样调对了，同样的文字就有温度；调不对，加十个感叹号也是白搭。所以做情绪配音，第一步不是改文案，是先想清楚这句话要让观众产生什么感觉，再倒推该动哪个参数。

语调：声音的高低起伏

一句话的音高不是一条平线，是一条曲线。真人说陈述句，音高往下降；说疑问句，句尾往上挑；说激动的话，整体音高抬高，波动幅度变大；说沉重的话，整体压低，波动变小。行业里把这条曲线叫基频曲线，简称音高。合成音最容易犯的错是曲线太平，像心电图贴着中线，听着不累但没有情绪。调的办法不复杂：给整段设一个基础音高，再给句尾单独设升降。比如惊喜场景，句尾抬高百分之十到十五；严肃通告，句尾下沉百分之五左右。幅度不用大，超过百分之二十就会显得做作，像舞台朗诵。

语速和停顿：节奏才是情绪的骨架

语速是最容易被忽略的开关。同一段话，每分钟两百二十字是讲解，两百六十字是日常口播，三百字以上是带货冲刺。但要记住，急的人不是一直快，而是在关键词前突然放慢，这个反差才是急。停顿同理：紧张时停顿变短甚至没有，思考时停顿拉长到一秒以上。所以做紧张感不是全局加速，而是整体略快、关键句前留一个短停顿、句尾收得干脆。做温柔感反过来：整体放慢、句间留够半秒、句尾不要切断，让它自然淡下去。节奏是情绪的骨架，音高是皮肉，骨架错了，皮肉再漂亮也站不住。

音色和气声：同一句话的质地

同样一句话，用气声说出来是悄悄话，用实声说出来是宣告。气声的比例、嗓子的紧张度，决定了情绪的质地。这部分在多数工具里叫音色或者风格选项，常见的标签有温柔、激昂、悲伤、欢快、严肃。要提醒的是，标签只是把一组参数打包，实际效果因工具而异，同一个温柔在不同工具里可能差很远。所以别只看标签名，一定要试听三个句子再定。另外，情绪不能从头到尾一个样，一条三分钟的视频里至少要安排两到三次起伏，否则听众会疲劳，再好的情绪也会变成背景噪音。

一张可以直接照抄的参数表

下表给的是起点，不是终点。先用它跑一版，再按试听感受微调，比从零开始摸要快得多。

还有一条经验：同一段文案，用两个不同音色各生成一遍，情绪的接受度可能差很多。有的音色天生适合讲故事，有的适合喊卖点，这跟参数无关，是音色底子决定的。所以调情绪之前先把音色选对，能省掉一半工作量。

情绪这件事，本质上不是技术问题，是你有没有想清楚这句话想让观众产生什么感觉。建议你下次做片前，先用一句话写下这段的情绪目标，比如让人放心或者让人着急，再照着表调参数，比盲目试十遍有效。