App 怎麼知道誰在說話？拆解自動多角色朗讀

要給一本書裡的每個角色配上不同的聲音，得先回答一個聽起來很簡單、其實不然的問題：這一行是誰說的？真人讀者不用想就知道，但軟體得從頭學起，而怎麼教它，正是有意思的地方。這一關過不過得了，也決定了自動多角色朗讀成不成立，所以值得好好看一下。

簡單的情況，還有它們為什麼會騙人

有些對白會明明白白告訴你是誰在說。

「我看得出來，你去過阿富汗。」福爾摩斯說。

標示寫得清清楚楚：一個表示說話的動詞加一個名字，就貼在引文旁邊。寫個簡單的程式，抓出引號、在附近找「說」加上一個專有名詞，大多數時候就對了。要是每一行都長這樣，這問題一個下午就搞定了。

它們才不會都這樣。

實際的文章裡，到處是把說話人藏起來的對白，而且藏的方式五花八門，每一種都是不一樣的麻煩。

沒有標示的行。 對話一旦你來我往，作者就會把標示省掉，反正讀者自己數得出來是誰在講。

「你去過阿富汗。」「你到底是怎麼知道的？」「別在意。眼下最要緊的是這個問題。」

三行，一個名字都沒有。要判斷各是誰講的，你得先看出來是兩個人在對話、而且一人一句輪著講，然後順著這個節奏一直往下推，推到有東西打斷為止。只要中間算錯一句，後面每一句就全都對到錯的人。

用代名詞當標示。 「他說」、「她問」，指的是句子裡沒點名的某個人。你得知道這裡的「他」是誰，也就是要記住前面剛提過誰、現在又有誰在場。

用動作代替標示。 常常根本沒有任何表示說話的動詞，只是引文旁邊有個動作。

福爾摩斯往後一靠，把十指搭成尖塔狀。「這是個三斗菸的難題。」

整句沒有一個「說」字。我們會判斷是福爾摩斯在講話，因為做動作的就是他。軟體也得會這樣推。

先搞清楚角色是誰。 要把一句話判給福爾摩斯，得先知道有福爾摩斯這個人，還得知道「夏洛克」、「福爾摩斯先生」、「福爾摩斯」，以及他朋友口中的「他」，講的可能都是同一個人。書裡沒有附角色表，所以光是從文字裡整理出有哪些角色、各有哪些叫法，就是一個獨立的步驟。

還有真的很難分的那種。 第一人稱旁白、故事裡引的書信、一群人七嘴八舌同時講話，還有作者故意寫得含糊的句子。有時候老實說，就算是很細心的真人讀者，讀到這裡也得停下來想一下。

早期的做法靠規則：找出引文，在附近找「X 說」，找不到就假設說話的人在輪替。這種做法快，可是一遇到寫得比較講究的段落就撐不住。後來有人拿標註過的書去訓練統計模型，它們比較會看上下文，但還是很吃表面的規律。

最近不一樣的地方在於，大型語言模型讀文章的方式已經很像人。丟一段書給它，夠強的模型能同時掌握整個場景：誰在場、上一句是誰講的、貼著引文的動作又是誰做的。這些它全都拿來判斷每一句是誰講的，連沒有標示的也判。它不是什麼神通，也不是百分之百準，但比起「把『說』配上最近的那個名字」，已經進步很多。

BookNPC 會把一本書一頁一頁分析過去。它整理出角色陣容、理清各種叫法、判斷每一句是誰講的，連沒有標示、一段接一段的對話也判。接著它幫旁白和每個角色各配一個不一樣的聲音。這是幫一本書配音時只做一次的功課，配音會收一點費用也是因為這個：花的力氣是在讀書，不是在放給你聽。

再厲害的辨識系統，遇到難懂的段落也不可能全對，所以主導權還是留給你。播放時，正在唸的那一句會用說話人的顏色標起來，名字顯示在頁面下方，讓你看得到它判斷是誰在講。整組配音陣容都列在那，任何一個聲音你都能換掉。萬一它把一段難分的對話判錯了，你看得出來、也改得掉，不會就這樣定案。

錄聲音，是一本多角色有聲書裡比較簡單的那一半。又貴又吃技術的另一半，一直都是導戲：決定每一句誰來講、怎麼講。自動說話人辨識，就是讓軟體來做導戲這件事。它現在已經夠好，能把你帶進來的任何一本書都做成整組多角色配音，不再只限於錄音室挑出來製作的那幾本。

這個功能從外面看，好像只是「每個角色都有一個聲音」，但底下就是靠這一整套在撐。想親眼看它運作，就在 BookNPC 裡挑一本對白多的書配音，看著說話人的名字隨著朗讀一個個跳出來。至於這件事會怎麼改變聽的感受，可以看多角色與單一旁白的比較。