mcpField
A
audiobook-production

audiobook-production

github.com/calesthio创意与媒体221102 次安装15 周前更新
代码仓库

关于 audiobook-production

面向长篇有声书制作的工具中立型技能，主要服务于生成式旁白制作流程。它涵盖稿件转为适合朗读的文本、声音一致性、章节管理、发音词典和交付质检。

主要功能

  1. 01按朗读方式整理稿件
  2. 02规划独白或多角色配音
  3. 03控制长篇语音的声音一致性
  4. 04按章节生成与管理音频
  5. 05建立全书发音词典
  6. 06检查音频质量与交付元数据

适用场景

  1. 01将非虚构书稿整理为适合朗读的版本
  2. 02制作分章节的生成式旁白有声书
  3. 03统一系列作品中的专名读音和角色声音

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/calesthio/generative-media-skills --skill audiobook-production

安装后在 Claude Code 中输入/audiobook-production确认已加载。

附带文件EVAL.md

详细介绍

有声书制作

有声书不是一段很长的 TTS 音频。它是由多个按章节划分的文件组成的结构化交付成果，每个文件都必须通过自动响度／噪声检测，包含正确的元数据，听起来还要与演绎第 1 章的表演者保持一致。这项工作中最棘手的问题——十小时内声音漂移、专有名词被读错 40 次、脚注读出来毫无意义、文件因 -58 dB 的噪声底而被拒收、平台悄悄禁止 AI 朗读——在短音频合成中都不存在。这项技能关注的是管理长达数小时的制作，而不是生成一句精彩的话。

这是一项以工艺为核心、与服务提供商无关的技能。生成式语音工具按功能进行介绍（发音词典、SSML 支持、种子／一致性控制、按章节重新生成），而不是按品牌介绍。具体工具和零售平台只作为示例或有日期的政策事实列出。

下文使用的标签：

  • [Fact] —— 有主要／官方来源记录，并附有引文。
  • [Standard] —— 已确立的行业技术标准。
  • [Heuristic] —— 有经验的制作人员会采用的制作判断；并非规则。
  • [Policy — dated] —— 已在所注明日期核实、可能变动的平台政策。

1. 先决定制作路线

有三种路线，它们在成本、权利、质量上限和可销售渠道方面各不相同。在处理手稿之前就要选定路线，因为路线会影响准备方式。

  1. 人工朗读——由真人演绎全书。质量上限最高，有些零售商要求采用这种方式，并且需要表演者和录音室级别的音频。
  2. 由作者／制作人主导的生成式朗读——你将文本输入 TTS 系统，调整发音和语速，并自行母带处理输出内容。你可以控制每个文件，并广泛分发完成的音频。
  3. 平台自动朗读——零售商在其封闭系统中根据你的电子书生成有声书（例如 Amazon 的 Virtual Voice、Google Play Books 自动朗读、Apple Books 数字朗读）。所需工作最少、控制权最低，而且发行渠道通常与该平台绑定。

本技能的其余部分主要适用于路线 2（即 Agent 承担实际制作工作的路线），并在 §10 提供路线 3 的平台事实。

2. 准备朗读手稿

印刷文本是为阅读而写的。朗读文本必须在听觉上易于理解，因为听众无法回看页面。大多数有声书质量的成败取决于手稿准备，而这完全发生在使用语音工具之前。

前言和后记——做出决定，不要默认处理

[Heuristic] 将前言和后记中的每个元素都视为一个独立的短片段，并明确决定是否保留：

  • 扉页／版权信息——通常简短朗读。注重无障碍的制作（见 §12）会完整朗读版权信息、书名和章节标题；商业零售制作则常常将其精简。[Fact] 无障碍指南建议每节开头都朗读该节标题（“版权信息”“第一章”）。（NNELS 有声书朗读者无障碍指南，核实于 2026-07-10）
  • 献辞、题词、致谢、同作者作品列表——若保留，则作为独立短片段；商业音频中通常会省略。按每本书分别决定。
  • 开场／结束片尾——零售平台要求提供这些内容（见 §9）。开场片尾会说明书名、作者和朗读者；结束片尾则标示内容结束（“您刚才收听的是……”后接书名／作者／朗读者，最后说“全书完”）。
脚注和尾注——非虚构作品中最难的取舍

[Heuristic] 在句子中途朗读脚注会打断听众，因为没有视觉标记提示“这是旁注”。对于每条注释，可选择以下一种处理方式：

  • 融入句子——改写内容，将注释中的关键信息纳入口语表达。
  • 在原处朗读，并清楚标明——用听得见的方式引出（“作者在脚注中补充道……”），让听众知道这是旁注。
  • 汇集到章节／节末——收集注释，并放在一起朗读。
  • 删去——仅用于引用的注释（页码、同上、单独的 URL）通常对音频没有帮助，可以删去。

对于学术版／无障碍版，默认做法应转为收录注释和参考书目，让音频涵盖印刷版的全部信息。（NNELS，已于 2026-07-10 核实）

表格、图形、图表、图片——改写或删去

[Heuristic] 旁白无法朗读图表。标记所有依赖读者观看的内容——表格、图形、插图、图片说明、侧栏和复杂排版。对于每项内容，提炼出一两句口语表述，说明其核心结论（“表 3 显示，销售额从 2020 年到 2024 年大致每年翻一番”），或者删去。这也是为什么平台自动旁白会明确提醒：图片／表格密集的书籍，以及食谱书／涂色书并不适合采用这种方式。（Amazon KDP Virtual Voice 资格要求，已于 2026-07-10 核实）

必须转为口语读出的行内文本

在预处理阶段解决所有朗读时可能产生歧义的内容：

  • 数字——“$1,200” → “一千二百美元”或“十二百美元”（根据语境选择）；“1990s” → “二十世纪九十年代”；“III” → “第三”。TTS 对数字的处理并不一致；应有意识地统一格式。
  • 缩写／首字母缩略词——决定是展开读还是按词读（“NASA”作为一个词读；“e.g.” → “例如”；“St.” 根据用法读作“圣人”或“街道”）。
  • URL 和电子邮件地址——通常应改写（“访问书籍简介中链接的网站”），而不是逐个字符读出。
  • 符号——%、&、#、° 必须展开读出。
对话归属

[Heuristic] 在印刷文本中，“她愤怒地说道”会告诉读者说话的语气。在音频中，语气应由演绎来体现，因此过多的副词性提示可能显得多余——但对于生成式旁白，你往往不能指望声音来表现情绪，所以可能需要保留人类听众本以为显而易见的说话者提示；如果工具支持，还可以添加工具能够执行的方括号表演提示。无论采用哪种方式，都要确保每句对话都能通过听觉辨认出说话者：如果长时间一来一回的对话完全没有提示，听众就会不清楚是谁在说话。

3. 选定旁白

单一叙述者 vs. 多声部 vs. 全阵容

[事实／经验法则] 两种基本类型：单人演绎（由一位叙述者演绎整本书，为所有角色配音）和多人演绎（两位或更多叙述者）。全阵容是电影化演绎的极致——每个角色都有专属演员，删去对话标签，有时还会加入音效设计。(Swift Publishing，Spines，已于 2026-07-10 核实)

选择时的考量因素：

  • 叙述视角。 第一人称叙述通常适合由一位叙述者演绎（听众会与一个声音建立联系，也就是主人公）。第三人称群像故事则适合或受益于多人演绎。[经验法则]
  • 类型。 非虚构、回忆录和自我提升类作品绝大多数由单一叙述者演绎——听起来像一场讲座或个人讲话。SFF 和对话密集的小说则倾向于全阵容／双人演绎。[经验法则，得到上述从业者共识的支持]
  • 成本和制作。 [事实] 全阵容会增加成本，更重要的是会加重编辑工作——你需要为多位表演者选角、指导，并将他们的文件拼接在一起。(Spines，已于 2026-07-10 核实)
  • 听众偏好。 [事实] 被广泛引用的一项 Audio Publishers Association 数据表明，多数听众认为使用不同角色声音的体验更好——但重点在于区分度，不一定需要不同演员；技艺娴熟的单人叙述者也能做到这一点。（据 Spines 报道，已于 2026-07-10 核实——具体百分比仅供参考。）

对于生成式制作来说，尝试“全阵容”成本不高（为不同角色分配不同的合成声音），但想做好却成本不低：现在有多个声音需要保持一致，还要解决后期拼接问题。许多平台的自动旁白工具都支持在同一本书中添加角色声音。(Google Play Books auto-narration，已于 2026-07-10 核实)

区分角色，避免漫画化

[经验法则] 目标是让听众能分辨是谁在说话，而不是把每个角色都演成卡通人物。对于单人叙述者（真人或合成声音）：

  • 首先通过音高、语速和活力来区分角色，口音放在最后。相比稍低沉、较缓慢的声线，口音更容易发生偏移，也更容易冒犯他人。
  • 让每个角色的声音都可复现：记下每个角色的参数设置或描述锚点，确保第 12 章的对话与第 2 章一致。对于生成式声音，这意味着要为每个角色锁定声音／种子／风格，并做好记录。
  • 避免基于人口特征的刻板演绎——不要用刻板印象来表现角色的族裔、年龄或性别。克制才显功力。

4. 小时级合成：短片段永远不会遇到的问题

这是有声书制作区别于 TTS 的技术核心。一本 10 万词的书大约对应 8–12 小时的音频。(Fish Audio，已于 2026-07-10 核实)

音色漂移

[观察结果，有充分记录] 合成语音持续生成数小时后，音色、力度甚至语速都可能发生变化——第 1 章中合适的语调，到第 15 章时可能会出现细微差异——因为每个分块都是独立生成的，而随机采样会让每个分块略有不同。(Fish Audio，已于 2026-07-10 验证)

缓解方法：

  • 固定随机种子 / 一致性控制，如果工具提供此选项，就使用它，让各分块的采样保持确定性。[经验法则，取决于工具]
  • 使用更大的分块，而非逐句生成；每次生成时提供更多上下文，可以减少分块之间的音色跳变。(tts-audiobook-tool，Fish Audio，已于 2026-07-10 验证)
  • 设定一次语音参数并重复使用，应用于每一章——绝不要让工具在每次会话中重新选择语音。
  • 抽查全书内容——依次试听第 1 章的第一分钟、中间某一章，以及最后一章，专门检查音色漂移，而非内容。
分块策略

[经验法则] 按语义边界（句子 / 段落）分块，而不是按固定字符数分块，这样分块就不会在从句中间截断。分块应尽可能大，同时确保模型能够稳定处理（对于能准确处理此长度的模型，常见的有效值约为每个分段 80 个词；对于长输入时表现会下降的模型，则应使用更小的分块）。(Qwen3 long-form TTS，已于 2026-07-10 验证) 根据具体模型的稳定性调整分块大小，不要采用一刀切的数值。

按章节划分的架构

[经验法则] 每个文件 / 会话生成并存储一章。这样便于设置质检检查点，而且更重要的是，修复第 15 章时无需重新生成整本书。(tts-audiobook-tool，Fish Audio，已于 2026-07-10 验证) 这也与零售渠道的章节划分方式直接对应（§9）。

保持语速一致

[经验法则] 全局锁定语速。不要为了缩短时长而加快内容密集章节的语速——语速不一致和音色不一致一样令人出戏。如果某段内容需要不同的感觉（例如紧张场景或列表），请有意识地调整并记录，不要任由分块器自动产生变化。

5. 全书范围的发音控制

书籍篇幅的语音合成中最典型的问题是：名为 “Siobhan” 的角色、名为 “Worcester” 的地点，或 “Nginx” 这样的术语，每次出现时都以同样错误的方式读错。一个错误重复四十次。

建立全书发音词典

[经验法则，有强力支持] 生成前，扫描手稿并整理出所有专有名词、虚构术语、外来词和技术术语的词汇表，并为每个词确定读音。工具的发音词典 / 词汇表会在每次出现该词时应用固定读音，因此只需定义一次，无需为每个实例单独添加标记。(AI Narration Pronunciation Guide，已于 2026-07-10 验证) 将此词典作为整本书的持续维护资料（并在系列作品中重复使用，确保第 3 部书中英雄的名字与第 1 部书中的读音一致）。

SSML 和语音覆盖

[Fact] SSML（语音合成标记语言）用于控制发音、停顿和重音：<phoneme> 用于覆盖语音发音，<break> 用于设置时长明确的停顿，<emphasis> 用于设置强调程度，<say-as> 用于指定数字和日期的读法。不同引擎和语言支持的音素集与 SSML 各不相同。（Google Play 图书计划政策、发音指南，核实于 2026-07-10）对于引擎读错的名称，请使用 IPA 或引擎的音素集；优先添加词典条目，而不是使用内联标签，这样修复才能全局生效。

同形异音词

[Fact] 同形异音词——拼写相同、读音不同：“read”（现在时）与“read”（过去时）、“lead”（动词）与“lead”（金属）、“tear”、“bass”、“wind”、“live”、“minute”、“content”。TTS 可能会根据上下文选错读音。（发音指南，核实于 2026-07-10）这类词无法通过单个全局词典条目修复（两种读音都正确）——必须在每处出现的位置进行上下文相关的覆盖，因此同形异音词是 QC 检查中的重点项目。

6. 校对 / QC：不可跳过的听审

[Heuristic, universally emphasized] 生成不等于成品。必须以正常速度听完整本有声书——这是大多数人会跳过、却能发现导致一星差评的问题的步骤。（TTS/AI 旁白 QC 指南，核实于 2026-07-10）以 2× 速度快速浏览会掩盖误读、词语被截断和声音漂移。

校对阶段的错误分类

按类型记录每个问题；不同问题需要采用不同的修复方法：

错误类型听起来是什么样常见修复方法
发音错误名称 / 术语读错添加词典条目；重新生成受影响的分块
同形异音错误单词正确，读音错误（把“lead the team”读成金属）在该处进行上下文相关的音素覆盖
文本跳过 / 丢失缺少某个词、句子或段落重新分块并生成；检查是否存在无声的 SSML / 解析失败
文本插入 / 重复某个短语说了两遍或被幻觉生成重新生成分块；收紧分块边界
强调 / 重音错误强调了错误的词，或把问句读得平淡调整 SSML 强调 / 改写；重新生成
节奏问题语速过快，或在从句中间出现不自然的停顿调整语速 / break 标签
声音漂移某一章听起来像换了读者重新锚定声音 / 种子；重新生成该章
数字 / 日期 / 缩写读错将“1990s”读成“一千九百九十年代”在文本规范化预处理阶段修正；重新生成
音频缺陷咔哒声、呼吸声、截断、故障、音量不当在母带处理（§7）阶段修复，而非重新生成

由于你是按章节生成的（§4），修复范围很小：重新生成受影响的分块或章节，而不是整本书。

7. 技术交付规格

[事实 — 已于 2026-07-10 核实] 零售平台对音频的要求很严格，而且通常会自动检查：文件只要超出数值范围，就会在人工试听前被拒。广泛采用的 ACX/Audible 规格是事实上的参考标准；即使面向其他商店，也建议以此作为安全的母版目标：

  • **响度（RMS）：**介于 −23 dB 和 −18 dB RMS 之间。
  • **峰值：**低于 −3 dB（真峰值），以避免削波或编码失真。
  • **噪声底：**低于 −60 dB RMS。（家庭录音最难满足的规格，也是最常见的拒收原因。）
  • **房间底噪：**每个文件的开头和结尾都要有 1–5 秒（最长 5 秒）。
  • **格式：**192 kbps CBR MP3 或更高；采样率为 44.1 kHz。
  • **声道：**所有文件必须一致——全为单声道或全为立体声，不能混用。
  • **文件时长：**每个文件 ≤ 120 分钟。
  • **每个文件包含一个章节：**每个文件必须恰好包含一个章节/部分。
  • 片头字幕（标题、作者、旁白）和片尾字幕；另需提供时长 ≤ 5 分钟的零售试听样本。

来源：ACX 音频提交要求，已于 2026-07-10 核实。

[经验法则] 对于生成式音频，噪声底规格通常很容易满足（没有麦克风嘶声），但仍必须：归一化响度，使其落在 RMS 范围内；将峰值限制在 −3 dB；并添加真实的房间底噪（短暂的合成近静音或低电平音），避免文件边缘出现完全的数字静音，因为某些编码器和 QC 工具会将其标记出来。按每个文件分别制作母版，然后在交付前用响度计核验所有文件——只要有一个文件不符合规格，整批上传都会被拒。

8. 章节划分和元数据

[标准] 每个章节/部分交付一个文件，并按照播放顺序命名，以便播放器正确排序：先加按时间顺序排列的数字前缀，再加章节名称（例如，01 Opening Credits、02 Chapter One、03 Chapter Two）。（APLN / 无障碍制作，已于 2026-07-10 核实）

[标准] 在每个 MP3 上嵌入 ID3 标签，让有声书自带结构信息：标题 = 章节名称，专辑 = 图书标题，艺术家 = 作者/旁白，音轨编号 = 播放顺序。完善的元数据还有助于提升无障碍体验，并减少因元数据问题导致的拒收。（APLN ID3 简介，APLN 元数据简介，已于 2026-07-10 核实）

封面图、标题、作者、旁白署名、系列和简介由发行商设置，且必须与电子书/印刷版的元数据一致。

9. 零售平台和 AI 旁白政策（制作前请核实）

此处的政策变化频繁，且各平台之间差异很大。所有信息均已于 2026-07-10 核实——生产时请重新核实。 对 AI 旁白的处理方式从禁止到要求披露，再到由平台代为生成，不一而足。

Audible / ACX — 仅限真人旁白，另有须经旁白本人同意的 AI 例外

[政策 — 已于 2026-07-10 核实] ACX 要求使用真人旁白；标准提交不允许未经授权的文本转语音/AI 旁白。（ACX 要求） 例外是 Narrator Voice Replica beta（于 2025 年 7 月 9 日推出，仅限美国）：旁白创建一个基于本人声音的 AI 复刻音色，像真人一样试音并接受遴选，之后还要编辑输出内容，调整发音和语速。未经旁白同意，Audible 不会在任何作品中使用其复刻音色；使用复刻音色的作品会加上标注；报酬方式可以是按最终成品小时计酬、版税分成或混合方式。（ACX 博客：Narrator Voice Replicas） 影响：你不能将使用通用 AI 旁白的文件上传至 ACX；AI 方案必须通过获得旁白本人同意来实现。

Amazon KDP “Virtual Voice”——由 Amazon 生成（与 ACX 分开）

[政策——已于 2026-07-10 核实] Amazon 的一项独立计划（测试版，通常需要受邀），可根据符合条件的 Kindle 电子书生成 AI 有声书。资格要求：电子书上线至少 7 天、有目录、主要语言为英语、没有现有有声书、篇幅约为 少于约 24 万词 / 26 小时，且适合音频播放（烹饪书和涂色书不符合条件）。可从一组声音中选择；定价为 $3.99–$14.99；在 Audible 有声书销售地区发行。（KDP Virtual Voice 资格要求，入门指南）

Spotify（通过 Spotify for Authors）——允许使用 AI，但必须披露

[政策——已于 2026-07-10 核实] Spotify 接受数字语音（AI）朗读；作者需勾选“This audiobook uses digital voice narration”（此有声书使用数字语音朗读），Spotify 会在简介中附加一条披露说明。平台接受 Google Play Books、ElevenLabs 等提供商制作的数字语音朗读内容。注意：数字语音作品不会分享给推荐合作伙伴。（Spotify 数字语音朗读）

Findaway Voices → Voices by INaudio——广泛发行，允许使用 AI，但必须披露

[政策——已于 2026-07-10 核实] **Findaway Voices by Spotify 已于 2025 年 8 月 1 日停止运营。**第三方（非 Spotify）发行和自出版业务由 Findaway 的联合创始人重新收购，并以独立平台 Voices by INaudio 的名义重新推出；旧版 Findaway URL 会重定向至该平台，原有登录信息仍可使用。INaudio 将成品有声书发行至 30 多家零售商和图书馆（Audible、Apple Books、Spotify、Google Play 等），并在零售商抽成后收取约 20% 的净收入；披露后即可使用 AI 朗读。现在，上传至 Spotify 的作品需直接通过 Spotify for Authors 提交。（Jane Friedman：Findaway 更名为 INaudio，Self-Publishing Advice）

Google Play Books——自动朗读（由平台生成 AI 语音）

[政策——已于 2026-07-10 核实] Google 会根据你的 EPUB 生成有声书。你必须拥有有声书版权，且电子书已在 Google Play 上架。支持的输入语言包括英语、西班牙语、德语、法语、印地语和巴西葡萄牙语；提供 50 多种声音；你可以添加角色声音、调整语速并修正发音（可使用建议发音、音标或录制单词）。出版商收入分成约为 52%；你可以下载文件并在多个平台销售，但如果也在其他平台销售，则必须同时在 Google Play 上架，且 Google Play 上的价格不得高于其他平台的价格。（Google 自动朗读，计划政策）

Apple Books——数字朗读（由平台生成 AI 语音）

[政策——已于 2026-07-10 核实] Apple 会根据在 Apple Books 上架、采用可重排版式的 英语 电子书制作数字朗读有声书，适用于受支持的类别（小说、浪漫小说、悬疑与惊悚、科幻与奇幻、非虚构类、自我提升类；不包括色情作品）。Apple 的制作流程结合语音合成技术，以及语言学家、质量控制专家和音频工程师的工作；需通过获批的合作伙伴使用此服务（例如，独立作者可通过 Draft2Digital，出版商可通过 Ingram CoreSource / PublishDrive）；此服务免费；制作和质量控制约需一至两个月。你保留有声书版权，也可以制作其他版本。（Apple Books 数字朗读，开始使用）

路线建议

[启发式] 如果你想在 Audible/Amazon 上制作 AI 有声书，现实可行的途径是使用 Amazon 的 Virtual Voice，或获得配音员同意的 ACX 声音复刻——而不是自行制作 AI 音频文件。如果你想 自行制作 AI 音频并广泛发行，请按照 ACX 规范制作母带，披露 AI 配音，并通过广泛发行的聚合平台（例如 INaudio）以及 Spotify for Authors 发行——但请注意，Audible/ACX 不会接收通用 AI 音频文件。通过平台生成的途径（Google、Apple）所需精力最少，但会受限于各自的流程和定价规则。

10. 权利与同意

[事实] 文本权利和配音权利彼此独立。 作者拥有文字的版权；配音员对录制的表演另有表演权。拥有书籍并不意味着拥有其录音表演的权利，而且你必须实际持有该书的 音频权利（平台自动配音计划要求你对此作出保证；在要求你拥有相关权利时，不接受仅基于公有领域的权利声明）。(AI voice cloning legal issues，Apple，Google policies，核实于 2026-07-10）

[事实] 克隆声音必须获得声音所有者的明确同意。 公开权相关法律保护个人的声音身份，免遭未经授权的商业使用；未经书面许可克隆特定配音员或可识别的声音，会带来法律风险；行业惯例（例如 SAG-AFTRA 条款）要求取得书面同意并支付报酬。留意许可条款中的细则，尤其是那些悄然声称拥有“衍生用途”权利（包括 模型训练）的条款。(AI voice cloning legal issues，Authors Guild on Findaway/Spotify terms，核实于 2026-07-10）

[启发式] 遵循 “三项 C”：同意（consent）、控制（control）、报酬（compensation）——只有在声音所有者同意、能控制哪些项目使用自己的声音，并获得报酬时，合成该声音才符合伦理且在法律上安全。对于通用的图书馆 TTS 声音，你的安全保障来自工具许可证授予的有声书商业使用权；请仔细阅读许可证，确认其适用范围（商业用途、有声书发行，以及输出内容是否归你所有）。未经书面许可，绝不要克隆真实人物的声音——包括名人配音员的“风格”。

11. 无障碍表述

[启发式/事实] 对印刷品阅读有障碍的人来说，有声书是主要的阅读形式；而以无障碍为导向的制作，其完整性要求比商业零售更 严格：要朗读章节标题，收录脚注／尾注／参考书目，不要删减；每个部分都应使用独立的编号文件，并附上完整元数据，这样有印刷品阅读障碍的听众才能像视力健全的读者翻阅书页一样浏览书籍。(NNELS guidelines，AccessiblePublishing.ca，核实于 2026-07-10）当书籍的目的是提供访问途径（图书馆、教育、公共利益）时，对于 §2 中“收录还是省略”的每项决定，都应倾向于 收录；并严格遵循章节划分／元数据要求（§8）——这就是导航层。

12. 端到端示例（标注示例——并非必需的配方）

意图： 自行制作一部由 AI 朗读、约 95,000 词的第一人称回忆录有声书，附少量脚注，并广泛发行。

  1. 发行路线： 选择路线 2（自行制作的生成式内容）。由于 Audible/ACX 不接受通用 AI 文件，因此计划通过聚合平台和 Spotify for Authors 广泛发行，并披露使用 AI 朗读。
  2. 稿件准备： 第一人称回忆录 → 单人旁白。处理约 15 条引用脚注：删除 9 条仅含引用的脚注，将 4 条融入句子中，并为 2 条有趣的脚注添加可听见的提示后在正文中朗读。规范数字和日期，展开缩写，将一张表格改写为两句口语化表达。编写开场和结尾字幕。
  3. 发音词典： 扫描专有名词——作者的家乡名“Beaufort”（读作 BYOO-furt，而非 BOH-fort）、两个家族姓氏和一个外语短语。添加词典条目。标记同形异音词（“read”“tear”“live”），供 QC 环节检查，因为发音取决于上下文。
  4. 语音和一致性： 选择一个获准用于商业有声书的语音库音色。固定随机种子，设置全局语速，每章生成一个文件，并记录确切的语音设置。
  5. QC： 以 1× 速度完整收听。根据 §6 的分类体系记录问题：修正两个同形异音词错误（“live”作为形容词时的发音，以及“tear”表示哭泣时的发音），并通过逐处覆盖设置进行处理；重新生成一处漏读的句子；将一章中逐渐变亮的音色重新锚定到随机种子并重新生成。
  6. 母带处理： 对每个文件进行处理——响度归一化至约 −20 dB RMS，峰值限制为 −3 dB，添加 1 秒的室内底噪作为首尾音，导出为 192 kbps CBR MP3 @ 44.1 kHz，所有文件均为单声道。使用响度计验证每个文件。
  7. 分章和元数据： 文件命名为 01 Opening Credits … NN Closing Credits；为每个文件设置 ID3 Title/Album/Artist/Track。
  8. 权利和披露： 确认持有有声书权利；确认语音许可涵盖有声书商业发行；在每个要求披露的平台上设置“数字语音朗读”披露标记。

预期结果： 一部符合规格、已分章且已披露 AI 参与的有声书，可广泛发行。可能的失败情况： 有一个名字的发音错误漏过了词典检查；有一个文件的 RMS 超出范围，导致上传被拒；或忘记设置披露标记。变化： 多角色第三人称小说会更适合采用多人朗读（每个主要角色使用一个一致的音色，并分别记录设置和漂移检查结果）；学术类非虚构作品则更适合纳入脚注并朗读完整章节标题。

来源（已于 2026-07-10 核实）

评论

支持 Markdown