Dialogue Audio

核心用法

Dialogue Audio 是基于 Fal.ai 的 Dia TTS 模型构建的双角色对话音频生成技能，通过 [S1] 和 [S2] 标签实现两个独立说话人的自然对话。用户需通过 infsh CLI 调用 falai/dia-tts 应用，输入包含说话人标签的文本提示即可生成音频。

关键操作要点：

• 说话人标签：必须大写 [S1] [S2]，每轮对话起始处强制标注
• 情绪控制：通过标点符号（! 兴奋、... 犹豫、, 呼吸停顿）和括号内非语音描述（(laughs) (sighs)）调控语气
• 节奏设计：逗号约0.3秒、句号约0.5秒、省略号约1.0秒，短句营造急促感，长句带逗号呈现沉思感
• 后处理：支持分段生成后合并，解决30秒以上的长对话限制

显著优点

1. 自然度突出：Dia TTS 在对话场景中的语音连贯性和情感表现力优于多数单角色 TTS 模型
2. 零配置多声线：自动分配两种差异化音色，无需声源克隆或复杂参数设置
3. 精细化情绪标记：括号内非语音描述（如 (whispers) (gasps)）提供超越纯文本的细腻控制
4. 场景模板丰富：内置访谈、教程、辩论等对话结构模板，降低脚本设计门槛

潜在缺点与局限性

• 双角色硬性限制：无法扩展至三方及以上对话，复杂场景需多轮生成后人工混音
• 声线不可定制：[S1] [S2] 音色由模型随机分配，无法指定特定性别、年龄或风格
• 30秒上下文窗口：单条生成长度受限，长内容需分段策略增加操作复杂度
• 语言支持未明确：文档未标注支持语种，中文等多字节语言表现存疑
• 依赖第三方 CLI：必须安装并登录 inference.sh CLI，增加环境依赖

适合人群

• 播客创作者（双人访谈/对话节目）
• 有声书制作团队（角色对话场景）
• 教育内容开发者（教学问答、 explainer 视频）
• 游戏/动画预演制作（快速生成角色对白草案）
• 无专业录音设备的独立创作者

常规风险

• API 调用成本：Fal.ai 服务按量计费，长内容或高频使用需注意费用控制
• 生成结果随机性：同一提示可能因模型随机性产生不同语气或停顿位置
• 内容合规风险：生成音频需遵守 Fal.ai 服务条款，禁止用于欺诈、冒充等场景
• 输出质量波动：复杂情绪混合或非常见词汇可能出现发音异常