NotebookLM 风格播客克隆
双人播客，一个 AI 提问，另一个解答。写好脚本，用对比鲜明的声音生成 Host A 和 Host B，然后拼接。无需订阅，无需排队。
多音色TTS
AI对话生成器
双人对话AI生成器。已预设主持人与嘉宾音色，写好台词直接生成，一键导出合并后的完整音频。
此工具页面暂无翻译版本，下方为英文版。 使用英文版
The quick answer
每轮对话写一行。主持人和嘉宾已预设音色。点击生成，下载合并的WAV或MP3文件。
对话工作流
写完，直接生成
- 01
写下对话内容
每行一句。Host 说第一句，Guest 说第二句，依次交替。如果你习惯用 NAME: 标签写脚本，这里也支持。
- 02
按需调整声音
Host 和 Guest 默认使用对比鲜明的声音。你可以重命名、换声音或添加角色。系统不会自动识别说话人。
- 03
生成并下载
点击一次 Generate，整段对话即刻生成。试听后，下载合并后的 WAV 或 MP3 文件。
适用场景
多角色 TTS 能做什么
动画短片与游戏原型
为分镜或 Twine 原型中的每个角色分配不同的 Kokoro 声音。54 种声音足以覆盖小型角色群，粗剪阶段无需聘请配音演员。
有声书角色对白
用一种声音（如 River 或 Daniel）朗读叙述部分，再为直接引语切换不同的角色声音。听众无需每句都靠“他说”来分辨谁在说话。
语言学习对话
生成西班牙语、法语、印地语、日语、普通话等 9 种语言的双人对话。搭配一男一女的原生声音，进行逼真的 A/B 对话练习。
继续探索
六组对比鲜明的声音搭配
对话效果取决于听众能否无需思考就分清两种声音。这六组搭配在性别、口音或语气上形成对比，选一组开始生成吧。
01 美式英语
Sarah + Adam
主持人 + 专家嘉宾
Best for
适合 NotebookLM 风格的科普播客。Sarah 负责提问，Adam 给出权威解答。这是美式英语双人主持节目最自然的搭配。
02 美式英语
Bella + Liam
轻松闲聊
Best for
适合生活方式播客、朋友聊天形式，或有声书中的咖啡馆场景。两个声音都很温暖，让对话听起来放松而非正式。
03 英式英语
Daniel + Emma
年代剧或 BBC 风格
Best for
适合设定在英国的有声书场景、高端纪录片双人叙述，或采用主持人与旁白结构的历史播客。统一的口音让世界观保持一致。
04 美式英语（角色音）
Puck + Sky
动画 / 游戏角色
Best for
适合动画短片、Twine 原型或独立游戏 NPC 对话。Puck 调皮，Sky 明亮清晰。这是角色音，不是旁白音。
05 美式英语
River + Nova
纪录片旁白 + 受访者
Best for
适合真实犯罪、历史、科学纪录片，由流畅的旁白串联重现的引语。River 承担主线叙述，Nova 扮演档案中的声音。
06 美式英语
Michael + Jessica
联合主持活力
Best for
适合晨间节目的插科打诨、新闻聊天形式，或品牌播客开场，两位主持人在节目正式开始前进行冷开场互动。
Want to hear them? Browse all 54 voices →
继续探索
如何写出听起来自然的 TTS 对话
模型负责发声，真实感来自你如何编排节奏、停顿和角色间的小反应。这六条规则覆盖全流程。
- 01
每轮只写一行
Host 说第一句，Guest 说第二句，轮流进行。如果你习惯用 NAME: 标签，系统也支持。
- 02
用标点符号控制节奏
逗号是四分之一拍，句号是半拍，破折号是明显停顿，省略号是悬停。角色犹豫时，写“嗯...我不确定是不是真的。”而不是“嗯我不确定是不是真的。”停顿才是犹豫的关键，Kokoro 会严格遵循标点。
- 03
轮次间留 200–400 ms 静音
真实对话的间隙平均约 250 ms。两段 TTS 直接拼接会显得机械；在编辑器中插入 300 ms 真实静音，听起来就像两人在交谈。紧张场景可缩至 100 ms，深思熟虑的对话可延至 600 ms。
- 04
用 50–100 ms 重叠模拟打断
在角色 A 说到一半时截断，然后将角色 B 的片段提前 50–100 ms 开始。短暂重叠是通用的“插话”音频信号。在重叠区加 100 ms 交叉淡化，拼接更平滑，打断感更自然。
- 05
左右轻微声像分离，提升耳机听感
角色 A 向左 15%，角色 B 向右 15%。不必太夸张，只需让耳机用户能分清谁在说话。硬声像（50%+）仅适用于广播剧。播客和有声书，15% 是最佳平衡点。
- 06
用拼写表达笑声和“嗯哼”
无需 SSML 或 <laugh> 标签，直接写想说的话。“Hah hah hah” 是清晰的三音节笑，“mmhm” 表示认同，“ugh” 表达无奈。先用 10 字符单独测试反应，若某音色表现更好可替换，再将 WAV 放入独立轨道编辑。
继续探索
FreeTextoSpeech 对比 PlayHT 和 Murf 的对话功能
PlayHT 和 Murf 都支持原生多说话人模式，粘贴一次即可渲染混合音频。代价是每月字符限制、强制注册和付费商业授权。以下是客观对比。
Feature
FreeTextoSpeech
PlayHT / Murf 免费版
多音色对话支持
支持原生多说话人对话，但仅限付费版，免费版音色数量有限。
单场景音色多样性
免费音色池较小，最具辨识度的角色音色需付费解锁。
5 分钟对话成本
免费套餐有月度字符上限；场景越长，越容易逼你升级付费。
免费套餐商用授权
免费套餐限制商用；变现播客和独立游戏需付费。
输出格式
免费套餐仅压缩 MP3，通常只能导出单混音。
注册要求
需邮箱注册；商用功能需绑定信用卡。
一键多角色生成
付费套餐支持原生多角色对话模式（一次粘贴，一次渲染）。
多音色对话支持
FreeTextoSpeech
每轮写一行，Host 和 Guest 已有预设音色，导出时自动合并为一段对话。
PlayHT / Murf 免费版
支持原生多说话人对话，但仅限付费版，免费版音色数量有限。
单场景音色多样性
FreeTextoSpeech
9 种语言共 54 种音色，足以支撑整个群像阵容。
PlayHT / Murf 免费版
免费音色池较小，最具辨识度的角色音色需付费解锁。
5 分钟对话成本
FreeTextoSpeech
免费。生成次数不限。
PlayHT / Murf 免费版
免费套餐有月度字符上限；场景越长，越容易逼你升级付费。
免费套餐商用授权
FreeTextoSpeech
允许完全商用，无需署名。
PlayHT / Murf 免费版
免费套餐限制商用；变现播客和独立游戏需付费。
输出格式
FreeTextoSpeech
每角色输出 24 kHz WAV，可直接拖入任意 DAW 分轨。
PlayHT / Murf 免费版
免费套餐仅压缩 MP3，通常只能导出单混音。
注册要求
FreeTextoSpeech
无需注册。打开页面，粘贴文本，生成即可。
PlayHT / Murf 免费版
需邮箱注册；商用功能需绑定信用卡。
一键多角色生成
FreeTextoSpeech
原生支持多说话人生成，支持合并导出及高级控制。
PlayHT / Murf 免费版
付费套餐支持原生多角色对话模式（一次粘贴，一次渲染）。
生成时按顺序处理每轮对话，避免共享语音引擎过载。
FAQ
Frequently asked questions
01 一次请求能生成两个声音吗？
可以。写好对话，为每个角色分配不同声音，点击生成。系统会按顺序处理，输出一个合并的音频文件。
02 如何让声音听起来更有区分度？
选择至少在两个维度上有差异的声音：性别、口音或音高。Sarah + Adam（美式女声温暖 + 美式男声权威）效果清晰。Bella + Daniel（美式口语 + 英式正式）更清晰，因为口音变化明显。避免搭配同口音同性别的声音，听众容易听混。
03 如何模拟角色间的打断？
在高级选项中，在轮次间添加短停顿。若要真实重叠，下载合并文件后，在编辑器中将后一句稍微提前放置。
04 如何处理笑声、叹息或“嗯嗯”反应？
模型不支持非语言声音标签。将“hah hah”、“mmhm”或“ugh”等拟声词写成独立的短轮次。如果效果不好，尝试换种拼写重新生成该轮次。
05 AI 生成的对话可以商用吗？
可以。从 FreeTextoSpeech 下载的 24 kHz WAV 文件允许完全商用，包括播客、变现 YouTube 视频、付费有声书、独立游戏和广告配音。无需署名，无需分成。双角色对话与单角色旁白享有相同授权。
06 对话场景能做多长？
单次生成上限为5,000字符，但你可以按需多次生成。以典型的30分钟双主播播客为例，约4,500字的对话分给两个角色，大概需要12次生成，每个角色6次。在一个项目文件中拼接这些片段，就能得到完整的一期节目。
07 不同角色切换时，对话听起来自然吗？
自然。因为Kokoro模型对每个声音是确定性的，角色A在所有片段中听起来都是角色A。接缝不在声音本身，而在轮次间的静默。在说话人之间留出200–400毫秒的环境音或真静音，对话就会像真人交流那样有呼吸感。
08 可以支持三个或更多角色吗？
可以。在工作室中添加说话人，为他们分配不同的声音，每轮保持一行文本。三个声音没问题；四个声音开始会让听众难以追踪，除非其中一个是明确的叙述者。
Still wondering? Get in touch →
Try it now
创建你的第一个双声音场景。
免费生成，10分钟内搞定，商用无忧。