很多人第一次使用豆包音频生成模型 1.0，会把它当成普通文字转语音：输入一句台词，期待模型自动补出情绪。这样能得到清楚的人声，但很难得到一段“像戏”的音频。 这份指南的核心结论很简单：豆包音频生成模型 1.0 更适合用导演式 Prompt 驱动。不要只写台词，要把角色、说话方式、音效、环境和配乐放在同一条时间线里。模型理解的是一段音频场景，而不是孤立的一句朗读。
先分清 T2A 和 TA2A
T2A（文本/图片生音频）适合从零生成：角色配音、旁白、短剧片段、虚拟主播、有声书片段，都可以直接用自然语言描述。图片可以辅助角色外观和气质，但单次只能用一张图片，且不能和参考音频同时使用。
TA2A（参考音频生音频）适合保持音色：上传 1 到 3 条参考音频，或引用音色库/复刻音色，再在 Prompt 里用 @音频1、@音频2、@音色1 指定谁使用哪个参考。它适合品牌 IP、固定角色、虚拟代言人和多角色对白。
- 没有固定音色时，先用 T2A 找表演方向。
- 需要角色跨集不换人时，用 TA2A 把参考音频和角色绑定。
- 多人对话不要只上传素材，要在 Prompt 中明确每个角色对应哪个
@音频N。
Prompt 的主结构：按时间顺序写一段声音脚本
最稳的写法不是“情绪词 + 台词”，而是按音频发生顺序写：音乐如何开始，角色 A 怎么出现，角色 A 说什么，中间穿插什么音效，角色 B 如何回应。 可以把 Prompt 看成声音分镜。每一段都回答三个问题：谁在说、怎么说、现场还有什么声音。
音乐/环境先出现：写清风格、乐器、节奏或空间氛围。
人物A（年龄、性别、声线、口音、情绪、角色属性）用某种方式说：“台词”。
音效：按时间顺序写出现什么声音、轻重、数量或持续时间。
人物B（音色和说话方式）回应：“台词”。
结尾：音乐、脚步、门声、电话失真或环境声如何收束。
角色对白怎么写
角色提示最好放在第一次说话前，或角色列表里。多说话人场景必须用姓名、身份或编号区分，不要只写“男声”“女声”。 括号里的角色描述可以包含年龄、性别、声线、口音、情绪、职业属性、距离感和说话习惯。描述越接近“能听见的行为”，越容易控制。
- 可写：低沉、沙哑、气声、磁性、电话失真、台湾口音、语速偏慢、句尾发颤。
- 慎写：高级、破碎、宿命、电影感。抽象词要落成具体声音行为。
- 情绪不要过度堆叠。过强的情绪词反而可能降低自然度。
音效和配乐不要当成附属信息
豆包音频生成模型 1.0 的优势之一，是能把对白、音效和音乐放进同一段音频里。音效可以用自然语言写，不需要专业音效库术语。 音效推荐写时间顺序、强度、数量和持续时间。配乐推荐写音乐风格、主奏乐器、节奏和氛围。如果不知道乐器名，也可以用“轻柔舒缓的钢琴曲”“紧张悬疑的低频铺底”这样的自然描述。
先是一声手机震动，环境中有持续的鸟鸣。
音乐以马林巴和弦乐铺底，节奏紧张悬疑。
随后出现一阵轻微汽车行驶声，接着一声刹车，再出现两声高跟鞋脚步声。
TA2A 参考音频怎么写
参考音频不是“上传就自动懂”。Prompt 里仍然要指定参考对象，并说明它提供的是音色、情绪、语速，还是某个角色的说话方式。 多参考时，最常见的两种用法是：每个参考音频绑定一个角色；或一个参考音频给音色，另一个参考音频给情绪和节奏。
男主（中青年男性，低沉、克制，参考 @音频1）压低声音说：“你是什么时候发现的？”
女主（青年女性，温柔但防备，参考 @音频2）停顿半拍后回答：“从你第一次说谎开始。”
音乐保持低频悬疑，句尾出现轻微电话电流声。
可直接复制的 T2A 模板
先用这个模板跑一版，再根据试听结果只改一个变量：音色、情绪、节奏或音效。
配乐描述：一段低频、克制的悬疑配乐先进入，节奏缓慢，弦乐轻轻铺底。
角色列表：
林澈（中青年男性，声音低沉、沙哑，语速偏慢，情绪压住，像不愿承认自己害怕）
许遥（青年女性，声音清亮但疲惫，句尾轻微发颤，正在努力保持冷静）
音效：先是一声手机震动，随后有很轻的雨声。
林澈压低声音说：“你刚才听见了吗？楼上有人。”
许遥停顿半拍，吸了一口气，用很轻的声音回答：“别回头，继续往前走。”
音效：远处传来一声木门缓慢打开的声音，配乐里的低音加重。
可直接复制的 TA2A 模板
当你已经有角色参考音频时，用这个模板把音色绑定到角色上。
参考说明：@音频1 是男主音色，@音频2 是女主音色。
音乐：轻微钢琴和环境铺底，整体温柔但带一点遗憾。
男主（成年男性，低沉、气声偏多，参考 @音频1）用克制又不舍的语气说：“如果明天我没有回来，你就别等了。”
女主（青年女性，温柔、带哭腔，参考 @音频2）轻声打断他：“我等不等，不是你说了算。”
音效：窗外有细雨声，最后一句后保留两秒安静。
限制会直接影响 Prompt 长度
单次音频最长约 2 分钟。输入文本不超过 3000 字符，但为了听感，单次播报字数建议控制在 400 字以内。台词太长时，模型可能加快语速或截断。 参考音频最多 3 条，每条不超过 30 秒。参考图片单次 1 张，且不能和参考音频同用。
- 短剧对白：一场戏拆成 30 到 90 秒更容易控制。
- 长有声书：按情绪段落拆，不要把一整章塞进一次生成。
- 多角色场景：先锁定每个角色的音色，再扩展音效和配乐。
放进 Arcloop 工作流时怎么用
- 先在角色手册里写清角色声线：年龄、声线、口音、说话方式和情绪边界。
- 把剧本拆成可生成片段：一段只处理一个主要情绪转折。
- 为每段选择 T2A 或 TA2A：探索用 T2A，固定角色用 TA2A。
- 试听后把有效 Prompt 回写成角色资产，失败 Prompt 也保留原因。
- 再把音频放回分镜和视频片段里检查，不要只单独听声音。
FAQ
豆包音频生成模型 1.0 和普通 TTS 最大差别是什么？
普通 TTS 更像读一句话；豆包音频生成模型 1.0 更像生成一段音频场景，可以同时描述对白、环境声、音效和音乐。
Prompt 越长越好吗？
不是。Prompt 要具体，但不要把所有形容词堆上去。先写清角色、台词、音效和配乐的时间顺序，再根据试听补细节。
多角色对白怎样保持音色一致？
用 TA2A，为每个角色绑定 @音频N，并在每次角色说话时标清 speaker 和参考对象。
括号里的动作会不会被念出来？
有风险。关键动作可以改成“语气/状态”写在角色描述里，或用明确的提示格式和台词正文分开。生成后要听一遍确认。
