独立 RPG 批量生成 NPC 台词

小团队为什么需要批量台词流程

NPC 台词最怕“先生成一批试试”。一开始看起来很快，等到任务线改名、角色换声线、中文和英文行号对不上时，项目会变成一堆无法追溯的 wav 文件。批量生成的目标不是让 AI 一次性演完整个游戏，而是把对白表、角色声线、文件命名、质检和引擎导入固定成同一条线。

这条流程适合 RPG、视觉小说、任务驱动冒险和经营游戏，尤其是 NPC 多、台词多、每周还在改剧情的团队。如果你的游戏只有 20 句关键台词，或者主角表演决定成败，直接请演员或保持文字框更稳。AI 更适合路人、商人、教程、战斗 bark 和 vertical slice 的可玩验证。

把对白表变成可导入资产

先锁定 character_id,line_id,locale,text,emotion,context，不要用 Excel 行号当文件名。line_id 一旦进入引擎就不能随便变，否则存档、字幕、音频、任务触发都会失去对应关系。主角和重要 NPC 单独建 voice profile，小角色用 3 到 5 个声音池就够了；路人每个人都独立声线，反而会增加审核负担。

生成时按角色分批，而不是按章节混在一起。这样某个角色重做时只会影响一个文件夹。推荐命名为 locale/character_id/line_id_take01.wav，审核通过后再导出 line_id.wav 给引擎。每句至少保留文本、工具、voice id、日期和最终文件 hash，后期追 bug 会救命。

质检不要只听“像不像人”。游戏里更重要的是触发是否晚半拍、尾音是否挡住玩家操作、战斗场景里是否被音乐盖住。短 bark 用 WAV 更容易低延迟播放，长对白可以按引擎策略转 OGG、Opus 或平台压缩格式。Godot 文档也提醒过，短且重复的音效适合 WAV，长语音更适合压缩格式；Unreal 会把导入音频变成 Sound Wave 资产，因此要在导入前就确认采样率、声道和版本。

选工具时先选管线，不是先选音色

ElevenLabs 适合快速出质量和多语言候选，Resemble AI 更适合需要授权、治理和企业审计的团队，WellSaid 适合品牌安全和 Studio 审核。Cartesia 是偏 API 的声音层，适合你已经有自己的批量脚本或实时系统。F5-TTS 和 Chatterbox 的优势是成本和可控性，但你要自己处理环境、显存、批处理、失败重试和最终 QA。

嵌入的视频展示的是 FMOD 与 Unity 的游戏音频集成工作流。它不是 AI 生成教程，但能说明批量音频最终必须落到事件、循环、2D/3D 音源和引擎测试里，这正是很多 AI 台词流程最容易漏掉的部分。

发行前检查

上架前抽查 30 到 50 句关键台词：字幕是否一致、音频是否有爆音、响度是否稳定、循环触发是否正常、删除线是否仍被引用。如果生成音频会进入 Steam build、商店页视频或宣传素材，需要按当前 Steam 规则披露玩家会消费到的 AI 生成内容。克隆真人声音必须有明确授权，开源模型的许可也不能替代被克隆者同意。

本地化交接

一开始就为本地化留字段。即使首发只做英文，也要保留译文、目标语言音频和发音备注位置。这样后面做中文、日文或西语时，不需要靠听音频去反查英文文件名。如果某句和玩法节奏有关，标出期望时长，方便翻译判断能否扩写。