Drama 3 双人对白教程：声音分配、API 与试听排错

用两种声音生成对白，先给每个角色分配一个声音，后续修改保持对应关系不变。先做一小段交流，确认每句由谁说，再调整情绪。

双人戏的难点不只是找两种不同的声音。一个人在掩饰恐惧，另一个人本来只想结束工作，却突然听见一句不可能的话。配音要让观众听出这次变化，剧本就需要写清楚每个人想做什么。

这篇指南提供一段原创场景、角色声音表、可复制的表演稿、网页和 API 两种用法，以及试听检查和配画面的流程。你可以先完成一小场戏，再决定是否扩大到整集。

Pencil0 当前没有集成 Fish Audio Drama 3。 Drama 3 的语音需在 Fish Audio 侧生成；Pencil0 可以帮助规划剧本、角色参考和镜头，但本文不代表站内已有 Drama 3 按钮或外部配音导入功能。下列内容是基于官方文档编写的原创操作示例，我们尚未生成、试听这些脚本的音频，不把它们称为实测效果。

Drama 3 在短剧制作中负责什么

Drama 3 是 Fish Audio 的文本转语音模型，不是视频模型。官方更新日志将它的公告日期列为 2026 年 10 月 13 日。产品页目前标注 Preview，生成的不同 take 可能有差异，因此第一版适合当作试音。

本文要完成的交付物是：一段选定的对白音频，加一份角色与声音的对应记录。它不会自动变成口型同步的短片，也不等于每位演员的独立音轨或精确到毫秒的声音时间表。

1. 先定角色，再写声音指令

用原创场景《末班车》开始：车站值班员遇到一名旅客，他拿着一张通往早已关闭站台的车票。

“声音是什么样”用于选演员；“角色此刻要做什么”用于写表演指令。小俊最后一句需要更有力度，并不意味着要换一个声音。

先保留一份没有标签的对白：

玛拉：末班车十分钟前就开走了。
小俊：那为什么，还有人在喊我的名字？
玛拉：哪个站台？
小俊：你上车的那个。二十年前。

场景环境和镜头要求另写进分镜表。“空车站全景”不是要念出来的台词，不要混进语音生成正文。

2. 给转折写意图，给关键词写局部标注

Drama 3 专属指南说明了方括号指令、声音与停顿，以及只影响部分词语的成对标签。下面是一版克制的起点。角色名仅用于阅读，不是 API 的说话人标识。

玛拉：[例行提醒，准备结束一天的工作] 末班车十分钟前就开走了。
小俊：[压着恐惧，不想让对方察觉] 那为什么，还有人在喊我的名字？
玛拉：[收起不耐烦，开始认真担心] 哪个站台？
小俊：[平静，想让她回忆起来] <emphasis>你</emphasis>上车的那个。[pause] <whisper>二十年前。</whisper>

每个标注都应有目的：玛拉在听完问题后才改变语气；重读“你”改变了指向；停顿把最后的揭示留到后面。“恐怖、电影感、戏剧化、情绪饱满”堆在一起，反而难以判断究竟该改哪里。

修改时可以写一条三段式导演笔记：保留什么 → 改什么 → 改哪一处。例如：“保留小俊的克制；让指认更清楚；只调整‘你’这个字。”这是本文的编辑方法，不是模型的特殊命令。

不要一开始就给同一句叠加哭喊、耳语和愤怒。先确认角色和台词正确，再每次只调整一个意图或一个短语。[pause] 是表演提示，不保证精确的停顿时长。

3. 在 Fish Audio 网页端完成试音

需要你自己的 Fish Audio 账号；可用入口和额度以账号当前显示为准。

1. 打开 Drama 3 官方页面，进入它链接的 Text to Speech，确认使用的模型是 Drama 3。
2. 添加两位说话人，分别选声音。先各用一句普通台词试音，不看角色名也能分清楚两个人，再继续。
3. 把每一轮台词放到相应说话人的对白项中。上面的“玛拉：”“小俊：”是阅读标签，不需要作为台词念出。
4. 使用表演稿中的指令。如果选择 Auto Tag，也要对照角色表检查它加了什么，不要让自动标注改变人物原本的意图。
5. 生成后听完整场戏，按下文检查表记录问题。选定版本时，把声音身份和完整输入一起保存。

以上流程依据官方公开的编辑器说明整理，本文没有登录验证你账号的界面。若当前账号没有 Drama 3 入口，先核实官方开放情况，不要换成别的模型后仍把结果称为 Drama 3。

4. 可选：用 API 固定角色对应关系

TTS API 参考使用 reference_id 数组分配声音：第一个对应 <|speaker:0|>，第二个对应 <|speaker:1|>。后续修改保持顺序不变。

将下面内容保存成 scene.json，把两个占位符换成自己账号中可用的声音 ID：玛拉在前，小俊在后。占位符本身不能用于生成。

{
  "text": "<|speaker:0|>[例行提醒，准备结束一天的工作] 末班车十分钟前就开走了。\n<|speaker:1|>[压着恐惧，不想让对方察觉] 那为什么，还有人在喊我的名字？\n<|speaker:0|>[收起不耐烦，开始认真担心] 哪个站台？\n<|speaker:1|>[平静，想让她回忆起来] <emphasis>你</emphasis>上车的那个。[pause] <whisper>二十年前。</whisper>",
  "reference_id": ["REPLACE_WITH_MARA_VOICE_ID", "REPLACE_WITH_JUN_VOICE_ID"],
  "format": "mp3"
}

在本机环境变量 FISH_API_KEY 中设置好自己的 API key 后执行：

: "${FISH_API_KEY:?Set FISH_API_KEY locally before running}"
curl --fail --show-error --silent \
  https://api.fish.audio/v1/tts \
  --header "Authorization: Bearer ${FISH_API_KEY}" \
  --header "Content-Type: application/json" \
  --header "model: drama-3" \
  --data-binary @scene.json \
  --output scene.mp3

这会消耗 Fish Audio 侧的 API 额度，不使用 Pencil0 积分。本文仅按文档核对了请求，尚未实际发送。API 文档说明，model 请求头缺失或值无法识别时会回退至 s2.1-pro；仅凭请求成功不能证明你选择了 Drama 3。收到 401 先检查鉴权；收到 402 先检查账号余额或额度，再考虑重试。

5. 带着决定去试听

把无标签剧本放在音频旁边。先不看文字听一遍，再逐字对照听一遍：第一遍判断戏是否成立，第二遍检查是否漏字。流畅的表演也可能掩盖内容缺失。

这些是建议的验收问题，不是已经生成的测试结果。文件可命名为 last-train-zh-take-02.mp3，同时记录剧本版本、声音 ID、模型和这一次修改了什么。保留最终音频及精确输入，不能假设重复输入就能得到完全一样的声音。

专名读错或语言切换不稳定怎么办

中文多音字先参考 中文音素控制文档：用带声调数字的拼音，每个音节一对音素标签。英文专名则参考 英文文档，其格式是 CMU Arpabet，不是 IPA。只处理有歧义的那个词，再放回完整句子试听。

例如下面是本文自拟的中文输入写法，用于指定“行”的读音，不代表已验证音频：

这张票，在那家银<|phoneme_start|>hang2<|phoneme_end|>旁边找到的。

“用中文写表演指令”和“强制切换口播语言”是两件事。Drama 3 的语言切换标签仍标为实验性；双语影片应分别检查两种语言的表演，不要期待翻译后时长、停顿与情绪自动一致。

6. 对白选定后，再按真实时长配镜头

不要还没听音频，就把一句话锁进四秒特写。先在剪辑器中标出每句台词实际的起止时间，再围绕台词和反应安排画面。

这是编辑建议，不是模型输出的自动时间表。把选定的对白放到独立视频剪辑器的画面下，决定它是替换生成视频的对白，还是仅作为表演参考；同一句话叠放两版声音，容易出现双重对白。口型需要单独检查，好听的配音不会自动让画面中的嘴型同步。

Pencil0 目前可以参与哪一段

用 AI 短剧工作流把创意发展成分集剧本，用 AI 分镜工作流安排每个情节点的构图和动作；审核镜头时，可把声音角色表与 角色一致性工作流放在一起检查。

Pencil0 当前的角色声音链路使用 Gemini TTS 生成短参考音频，支持音频参考的视频请求可以复用它。它与完成整场对白的 Drama 3 音轨用途不同，也不保证每个 take 的声音完全一致。Pencil0 当前没有集成 Drama 3，本文也没有确认将外部 Drama 3 音频导入 Pencil0 的可用路径。 需要采用该音轨时，请在外部剪辑器中完成合成。Pencil0 目前为邀请制，实际入口以相关产品页说明为准。

双人配音常见问题与排错

为什么角色把对方的台词说了？

一起检查声音 ID 的顺序和该轮台词开头的说话人标签。如果 reference_id 的第一个 ID 是小俊，<|speaker:0|> 就会选中小俊，即使笔记里把这个位置叫作玛拉。先修正对应关系，再改表演指令。“玛拉：”之类阅读标签不要当作要念出的正文。

API 请求成功，为什么听起来像没有使用 Drama 3？

检查是否发送了完全一致的 HTTP 请求头 model: drama-3。API 文档说明，漏写或使用无法识别的值会回退到 s2.1-pro；HTTP 成功不等于选对模型。再把实际提交文本与保存的脚本逐字核对，不要凭印象判断标签有没有传入。

能要求精确停顿，或自动对齐口型吗？

把停顿提示当作表演要求，接受音频后在剪辑器测量实际台词和反应长度，再安排镜头。本文流程不提供逐帧精确停顿、每位角色独立音轨或自动口型同步，这些需要在剪辑环节单独检查。

完整对白可以直接导入 Pencil0 吗？

本文用外部剪辑器处理最终对白轨。Pencil0 的 Gemini 短角色声音参考是另一类输入，本文没有确认 Drama 3 成品配音导入能力。同一场戏的画面准备可参考角色参考图教程，里面有固定身份记录和三镜头外观核对表。

扩大到整集之前

• 先确定这两位角色和一段完整对话可用，再增加场景，不要把小问题扩成整集的返工。
• 使用你有权使用的声音。若创建自定义声音，官方的 参考录音建议强调清晰的单人录音；背景音乐不能帮助固定人物声音。
• 分开保存无标签对白、生成用表演稿、镜头说明和字幕。字幕应是实际说出的话，不应带说话人 token 或表演指令。
• 最终音频、精确输入和角色对应表一起归档。Preview 更新后，重新核对官方说明和实际试听结果。

来源核验日期：2026 年 10 月 15 日。 官方更新日志、Drama 3 产品与编辑器说明、Drama 3 语法指南、托管 TTS API、中文发音、英文发音及 声音参考录音建议。本文剧本、角色表、镜头安排和试听检查表均为原创教学示例，不是 Fish Audio 的演示素材或已生成效果。

**2026 年 10 月 16 日复核：**已对照官方 Drama 3 指南与 TTS API 参考，核对说话人映射和模型请求头回退行为。