先说一个核心痛点：当一段多人对话音频需要精准匹配到不同数字人形象上时，如果处理不当，就会变成“所有角色共用同一个嘴型模板”的尴尬场面。百度一镜的解决方案是——通过角色切分、绑定映射、三步校验，让每个角色说话时的口型、表情、语气都能自然对齐，而不是机械套用。

准备带角色标记的音频源

直接上传一段多人对话音频？系统不会自动帮你分离角色。百度一镜目前不支持语音角色自动识别，【必须提前用米可智能或WhaleClip等工具完成多角色音频切分，并为每段音频打上明确角色标签】。比如导出为「张三_001.wa v」「李四_001.wa v」，或者在单个文件中用SRT字幕标注说话人字段。这一步没做，系统就会把整段音频当作一个人说话来处理，口型全乱套。

如果你的原始音频是AI生成的多人配音，推荐用米可智能的「多人配音」功能输出——它的JSON元数据里自带speaker_id字段，百度一镜可以直接识别并映射角色，省去手动打标签的麻烦。

在百度一镜中绑定角色与数字人

操作路径很清晰：进入「数字人视频」→「新建项目」→ 选择「音频驱动」模式。

上传已经标记好的音频包（支持ZIP压缩包，里面包含多个wa v文件以及对应的txt描述文件）。

系统解析出角色名后，会弹出一个角色映射面板：左侧列出检测到的所有speaker_id，右侧需要你手动为每个ID选择一个数字人形象。这里不能偷懒——【同一个角色ID如果选了不同的数字人，口型驱动会混乱，合成直接失败】。

选择完成后点击「应用映射」，页面会生成一条分轨时间线，每条轨道对应一个角色+数字人的组合。你可以单独调节每个轨道的口型强度、眨眼频率、微表情权重，精细控制每个角色的表现力。

合成前的关键校验步骤

第一步：播放预览时拖动时间轴，观察角色切换点是否同步。比如张三说完话后0.3秒内，李四的数字人是否开始张嘴——如果延迟超过0.5秒，就得回去检查音频切点的精度。

第二步：点击「口型诊断」按钮，系统会高亮标注出最可能错位的3处音素帧（像“zh”“ch”“sh”这类音节最容易出问题）。点击任意一处可以跳转到对应时间点，手动微调那一帧的口型参数。

第三步：一定要勾选「保留原始气口」。多人对话中的自然停顿是情绪节奏的关键，关闭这个选项会导致所有角色的语速变得均质化，听起来就像机器人在开会，毫无现场感。