分步教程：为包含多个角色的视频配音¶

本教程带你从零开始，把一个视频文件一步步导出为配音版本，且每个角色都保持自己的声音。示例演示的是将一段 20 分钟、含五个角色的英文视频配音成印地语，但同样的步骤适用于 VoiceStudio 支持的任意语言组合。

一切都在你自己的电脑上运行。首次运行会下载所需模型；之后这些步骤可离线完成。

开始之前¶

安装 VoiceStudio 并完成首次运行设置（macOS · Windows · Linux · Docker）。
开启说话人检测。 区分不同角色依赖 pyannote 话者分离模型，该模型需要免费 Hugging Face token，并需一次性点击接受许可。请参阅 Speaker diarization。若不开启，每一行都会被当作同一位说话人处理。
尽量使用干净的源视频。 音乐和音效会被自动从人声中分离，但清晰的对话能带来更好的声音克隆效果。20 分钟的视频在 CPU 上需要一些时间；使用 GPU（CUDA、Apple Silicon 或 ROCm）会快得多。

在侧边栏中打开 Dubbing。
将视频拖到导入卡片上，或粘贴链接。
在文件下方，将 Spoken language 设为 English（Auto 也可以），并将 Speakers 设为角色数量，此处为 5。留空则让 VoiceStudio 自动猜测；若两个角色总是被合并为一个，可手动指定。

VoiceStudio 会将人声与背景分离，进行转写，并为每一行标注说话人（Speaker 1、Speaker 2，……）。

在翻译前先浏览一遍转写内容；现在修正说话人可避免之后重新配音。

某一行说话人标错了： 点击该行顶部的说话人名称打开选项，然后在 Speaker 下选择正确的说话人。
多行说话人标错了： 勾选这些行的复选框，然后使用选择栏中的 Set speaker...。
某个角色被话者分离漏掉了： 在以上任一位置选择 New speaker。新说话人默认使用默认声音；在步骤 4 中为其指定一个声音。
同一行里有两个角色： 打开该行的 ... 菜单，将光标放到第二个角色开始的位置，选择 Split at cursor，然后为新行设置说话人。Insert line below 会在当前行下方插入一个空行，你可以为它单独指定说话人和时间。

一行原本跟随旧说话人声音的内容会自动切换到新说话人的声音。如果你曾专门为那一行手动挑选过声音，则该声音会保留。

打开 Cast（选角面板）。每个检测到的说话人都会列出其将使用的声音：

要让长视频中角色声音保持稳定，请将 Voice match 设为 Consistent：这样每个角色的每一行都会从同一个参考样本进行克隆。 Per line 会更贴合每一行自身的表达方式，但可能在行与行之间产生漂移。

如果某一行内容过长、无法放入对应时间段，该行会显示警告。请缩短印地语文本、使用建议的更简短措辞，或在 Timing 部分选择 Smart Fit 等时间选项。

打开 Export options：

MP4 会将配音合成到视频中。如果希望观看者能切回原声，请同时保留 Original。Background audio 会在配音下方保留音乐和音效。
SRT / VTT 用于导出字幕。Burn subtitles into picture 则会将字幕直接绘制到视频画面上。

你也可以在没有任何配音时导出：SRT/VTT 会导出转写文本（或其译文），而带烧录字幕的 MP4 会保留原始音频。

克隆参考样本需要几秒钟的清晰语音。如果某个角色只讲非常短的句子，可能会回退到默认声音；请在选角面板上为其指定一个已保存的声音。
关于情感和风格，请参阅 Expressive speech。在配音编辑器中，每行的选项中还有一个 Direction 字段（例如“whispered”或“excited”），转写菜单中的 Mirror source delivery 会将原始演员的表达方式复制到每一行上。