那天發了十一個版本，沒有一個在改劇本

9 月 4 日那天，《還沒送到的信》在 Larch 市集連發了十一個版本（release 10 到 20）。repo 裡有 18 個 commit，放劇本的 story/ 一個字都沒動。十一個版本裡，一個是去補專案描述裡的日記站連結，剩下十個都在處理聲音。

《還沒送到的信》是優理（Yori）的獨立短篇視覺小說，跑在 Larch 上。分支松鼠的郵局裡躺著一封蓋了 done 章的信，郵戳卻早於郵局開張日，優理提著終端燈籠連夜去補它缺的東西。一個序、三章、一個尾聲，路上會問兩次要往哪走，收在兩種結局。不用登入就能開：https://larch.ink/play/market/1abe8522-06b6-4527-87ef-ab20eaf9c2af

先說分工。角色正典、任務書、每一個「這樣可以收了嗎」是我定的；劇本文字、合成腳本、混音腳本、QC 腳本都是 AI 寫的。聲音這條線上我做的事，一半是聽，一半是出規格（字速要 4.5 字、台詞不接受被動）。破音字唸錯、音樂蓋過人聲，那天都是聽出來的，檢查器一次都沒叫。

引擎的比較寫在同一天做了三套語音對話迴圈。這篇不談選型，只談引擎把檔案交出來之後的事。

音量欄位填了等於沒填

第一件事是背景音樂太大聲。

上午優理 79 句台詞上線，第一輪聽下來，背景音樂把人聲壓過去了。

第一個修法是調欄位。每張卡片的 bgmVolume 從 0.28 降到 0.14，標題畫面 0.16。commit 裡連算式都寫了：「BGM 母帶 -12 LUFS、語音 -18；0.14 讓語音高過 BGM 約 11 dB」。算對了，聽起來沒變。

原因在播放器。另一部作品《空白也有質地》同一天實測，市集播放器不讀卡片上的 bgmVolume，遊戲裡量到的 volume 固定是 1。兩部作品同一個下午撞上同一件事。

欄位沒用，音量就只能動檔案本身。下午四首 BGM 重新做成 -31 LUFS 上傳，卡片跟標題的 bgmVolume 一律填回 1.0，當作沒有這個欄位，gen/make_loop.sh 的預設也跟著改。

這個數字撐了四十七分鐘。我回報背景音「小到有點聽不到了」，commit 標題上的理由記成三個字：聽不到。四首再做一次，這回 -25。

硬碟上留著的檔案，今天用 ffmpeg loudnorm 重量了一遍：

封面那張圖就是這 153 個檔案的量測值。

repo 的 README 混音那一段寫著「原始 -18 太吵」，跟實測對不上。量出來的 BGM 原檔在 -12 附近，-18 是語音的目標值，寫的時候串行了。

還有一組數字可以對照。同一天，《空白也有質地》的 BGM 定在 -26（今天量到 -26.42 到 -27.43），這部定在 -25。同一套方法、同一雙耳朵、同一天，兩部作品沒有收斂到同一個數字。所以「VN 的 BGM 該壓到 -26」這種現成數字搬不動，換一批素材就得重聽一次。

speed 調的是時長預算，會吞字

第二件事是句首被吃掉。

8 月比較三個引擎的時候，F5-TTS 那一欄註記的是「非自回歸，不吞字」。這句要補一個但書。

F5 的 speed 名字叫語速，實際上動的是時長預算：時長大約是參考音長乘上字數比，再除以 speed。預算調緊，模型不會加快嘴巴，它會整段砍掉開頭那一兩個詞，句尾照樣唸完。

優理的參考音本身偏慢。上午配方定成 speed 1.4 整批重合，中午連旁白 56 句跟 12 段場景過場文一起上線，全劇 141 個語音檔。

這種缺字，whisper（語音轉文字的模型）抓不到。拿 voices.json 裡 12 個字以上的 114 句，每一句砍掉開頭兩個字，再跟原文比一次相似度：中位數還有 0.96，最低的一句 0.909，114 句全部高過 0.85 的收件門檻。分數一片綠，句首少了一個詞。

下午配方改成現在這樣：合成用 speed 1.0 把每個字唸齊，之後用 ffmpeg -af atempo=1.4 保音高變速。變速放到合成之後，句首就沒有東西可以被砍了。

慢版跟成品都還在硬碟上，77 句一對一比對，時長比中位數 1.399。語速從每秒 2.93 個字變成 4.11 個字（只數中文與英數字元，不含標點）。

優理的聲音卡（voice/yori/README.md，記這把聲音怎麼做出來的那份文件）上記著：speed 1.4 之下，77 句有 43 句開頭少字；1.2 也吞掉一半；補參考音靜音、句首加停頓，都救不回來。這個配方從 release 13 用到 release 19。

QC 同時補了一條規則進 synth()：原文的第一個字要出現在 whisper 轉錄的前三個字裡，不然這一抽直接判失敗，換 seed 重來。

檢查器叫了 51 次，複檢剩 5 次

第三件事是檢查器本身。

當天早上第一批 79 句跑完，批次腳本內建的 QC 在 51 句後面打了未達標。接著複檢腳本 requalify.py 進 repo，同一批檔案、同一個 whisper 模型，跑出來剩 5 句可疑。

差別只在比對之前有沒有做繁簡歸一。whisper 轉中文吐的是簡體，劇本是繁體，逐字比下去幾乎沒有一個字對得上。這件事可以自己量：把 voices.json 裡的句子拿去跟它自己的簡體版比相似度，中位數只有 0.75，129 句裡有 106 句掉到 0.85 門檻以下。早上那 51 個警告，大部分就是這樣來的。

requalify.py 的判準是：先用 OpenCC 把兩邊都轉成簡體，去掉英數與標點再比（Day 0000 這種本來就不該進相似度），門檻放到 0.80，三個字以內的短句直接跳過，交給耳朵。

那 5 句裡最短的一句是「……真的有寫。」，whisper 轉出來是「真的有血」，相似度 0.75。剩下四句裡有三句，是腳本自己多抽幾次就過了，分數從 0.75 上下推到 0.86 以上。

會叫的檢查器跟叫對的檢查器，中間就差一個正規化步驟。假警報一多，它跟沒有檢查器一樣，因為沒有人會去看第五十一則警告。

破音字唸錯，機器給綠燈

唸錯字這件事，檢查器抓得到一部分，抓不到另一部分。

引擎唸錯的時候，能動的只有送進去的那串字，畫面上顯示的一直都是原文。這部作品收工時的替身表有七條：五條寫在 voice/batch_yori.py 的 SUBS 裡，另外兩條是規則轉換，Day 後面的四位數逐字唸、底線換成空格。七條裡有兩條是檢查器先叫出來的（Day 0000 跟 final_new），其餘幾條是聽出來的。

表格是六列，替身是七條，因為第一列那兩個詞組在程式裡是分開的兩條。

七條裡有兩條，檢查器永遠找不到。「數」跟「著」都是破音字，whisper 轉出來的字是對的，錯的是聲調，相似度一路綠燈。「像便當店關門前數便當盒」那一句，直到下午才補進替身表、單獨抓回去重合。那時候含旁白的全劇配音已經上線一個多小時，中間發過四個版本。

notebook 那一條拖到最後。有一句台詞以「同一本 notebook」開頭，換成筆記本之後，那三個字照樣消失。最後是在句首再塞一個「……」的停頓才留住（seed 11），那是 release 20。

聲音卡上另外掛了一份「走過的死路」清單，五條。像是 CosyVoice3 的高起伏參考音會咬字崩、instruct 模式會把情緒指示唸進台詞。還有參考音本身不要重生：同一支音色每次腔調不一樣，是抽籤，ref.wav 是抽到中文腔的那一次。死路寫得比配方細，下一部作品要配優理的時候，不用從頭試一遍。

十九句沒有聲音

最後對一下帳，看還有誰沒配到。

一週後把版子從 agent API 讀回來：35 個節點、38 條邊，147 個位置掛著語音，相異檔案 141 個。差的那六個是重複台詞。檔名是內容雜湊，同一句、同一情緒就是同一個檔，兩條分支共用。

沒有聲音的是三個配角：分支松鼠 8 句、紙堆怪獸 6 句、迴紋針守門員 5 句，合計 19 句。另外還有優理自己的一句，那句只有刪節號，合成腳本會跳過只剩標點的行。

要配他們，就得再開三張聲音卡。一張聲音卡要有一支剪好整平的參考音、一段照實際發音寫的參考文字、一份配方、一張替身表。優理那張從凌晨第一支試合腳本開始做，收工是下午 3 點半。那天的範圍就停在優理跟旁白這兩把聲音。

去聽一遍

配音已經掛上去了，直接開來聽：https://larch.ink/play/market/1abe8522-06b6-4527-87ef-ab20eaf9c2af

優理自己的圖文日記站在這裡：https://yazelin.github.io/yori-growth-log/