当游戏NPC开始"记住"玩家、动态生成台词,下一个瓶颈很快出现:声音。传统游戏配音是逐句录制、打包进包体的,一旦台词由大模型实时生成,"没声音可用"就成了最现实的工程问题。通用的TTS可以念出台词,但念出来千篇一律——铁匠和公主用同一个声线、同一种语调,沉浸感瞬间崩塌。天辰平台语音技术团队过去一年围绕"让每个NPC的声音独一无二"做了系统性建设,本文分享其中的关键设计。
声线画像:给每个角色一张"声音身份证"
团队放弃了"每个角色微调一个专属模型"的方案——百余个NPC意味着百余套模型的训练与维护成本,不可接受。取而代之的是声线画像系统:把声音拆解为年龄感、性别、地域口音、音色质感、语速基线、情绪外放程度等十余个可控维度,每个NPC由策划在编辑器里"调"出一组画像参数。运行时,统一的声线条件化合成模型根据画像参数实时渲染出对应音色。新增一个NPC不再需要任何训练,调参数的几分钟内就能听到角色的声音。配合此前分享的智能NPC分层记忆架构,角色"说什么"与"怎么说"出自同一套人设数据,口吻与人设天然一致。
情绪韵律:不是变大声,而是"变味"
情绪化的难点不在音量,而在韵律。愤怒不是加大音量,而是重音位置前移、句尾下沉;悲伤不是放慢语速,而是气声比例上升、停顿变长。团队用"情绪参数到韵律特征"的显式映射层替代端到端的黑盒控制:大模型在生成台词时同时输出情绪标签与强度,映射层将其转换为基频曲线、能量包络与停顿序列,注入合成模型。实测中,玩家对NPC情绪的盲听识别准确率从早期方案的62%提升到91%。一个细节颇受内测玩家好评:同一个NPC在连续对话中情绪会自然衰减——玩家安慰过之后,下一句话的悲伤强度会降低,而不是永远停留在一个情绪值上。
端云混合渲染:延迟与质量的折中
语音合成对延迟极其敏感:NPC回应超过800毫秒才出声,对话感就断了。团队沿用了端侧推理方案的分层思路——高频短句(寒暄、播报、重复对话)由本地小模型渲染,首字延迟控制在200毫秒以内;首次触发的重要剧情台词与强情绪台词由云端大模型渲染,配合预生成缓存,让同一段剧情第二次经过时直接播放本地资产。按当前测算,90%的语音请求命中端侧或缓存,单玩家日均语音渲染成本下降约七成。
下一步:多人同屏的"声场"
团队目前的攻关方向是多人同屏对话:当三个以上NPC同时在场并互相接话时,如何保证声线可分辨、抢话与停顿符合真实对话节奏。初步方案已在《星穹回响》内部版本验证,预计随下一次技术内测一同亮相。语音作为AI原生游戏的最后一公里,天辰平台会持续把进展同步给开发者社区,也欢迎关注往期实践:《《弈境》全新"AI复盘陪练"功能上线》。