声音作为一种工具：AI Agent 的音频工作流

从一份访谈录音开始

一位创作者手里有一份访谈，想把其中一段观点改编成双人解说节目。要完成的事情包括转写、核对原意、写成适合听的脚本、分配声音、生成、审听和修订。单独一次“把这句话念出来”的调用，只覆盖其中一步。

这是用于讨论的创作场景，并非本文已经执行的演示。改编节目也应与真实访谈区分：合成的对话不是受访者实际说过的话，选用的声音及内容需要相应许可。保留来源与改编边界，是这条工作流的一部分。

人打开声音软件，会看见模型、语言和声音列表；Agent 也需要取得这些信息。一个可靠的开始，是发现可用工具、查询当前就绪模型，再确定输入形式和产物。模型出现在目录里，并不代表已经下载，更不代表适合这份中文访谈。

在 Sonano 中，MCP 提供可发现的声音工具，Skill 提供如何组合使用的指引。工具连接、模型就绪和文件访问是不同条件。Agent 能提交转写任务，不等于它能读取宿主磁盘上的任意路径；外部媒体仍受宿主权限与当前传输方式约束。

转写完成以后，创作者先核对关键名称、引用和结论。Agent 可以根据已经确认的内容起草双人脚本，但需要区分原文与改编，保留不确定的地方供人审查。这里的价值，是把散落的步骤连接起来，同时保留人能介入的对象。

对话结构也不能只是一大段带人名的文字。角色需要稳定的身份，台词需要能被定位，声音需要明确分配。Sonano 的 Agent 配音工程支持持久角色、台词和生成候选；当前一份工程使用一个生成模型。它能承载这些修改对象，不会自动替你判断谁在原录音里说话，也不会保证脚本忠实于原意。

“给第二位角色换成上次的讲述者”要求 Agent 找回一个明确的声音资产。如果每次都重新写一段声音描述，角色可能随着新一轮生成而变化。保存参考样本和声音标识，才能让这条指令指向已有材料。

Sonano 的设计候选可以试听后保存，授权录音可以进入声音库；共享参考声音不按最初的设计模型绑定，仍要匹配生成模型与语言。后续换引擎时，人需要再次确认听感。保存声音解决的是材料可复用，不是替代一次作品中的表演选择。

节目第一版出来后，创作者认为第七句把原意说得太满，希望收窄。Agent 应先读回当前稿件，修改那一句，再为受影响的部分生成候选。对其它仍兼容的结果，工程可以复用；选定版本之后再合成导出。

这要求文字版本、采用的录音和任务状态能够对应。Sonano 的持久配音工程提供台词编辑、候选选择、局部重做和导出，导出使用选定音频。一次请求被接受，只代表任务开始；完成、失败和部分交付需要继续查询。连接中断也不能简单等同于任务取消，重启后的中断任务不能冒称自动续跑。

Agent 可以检查文件是否存在、任务是否结束，也可以辅助比对转写文本。它难以仅凭这些状态决定一段表演是否尊重受访者原意、角色是否可信，或者停顿是否适合观众。成品审听仍需要人结合内容和语境判断。

在这个例子里，至少有三个适合停下来的地方：改编稿是否准确，角色声音是否合适，最终版本是否可以交付。这样的审查点让创作者把注意力放在判断上，而不是逐次搬运文件。它们是本文建议的工作方式，不是所有 Agent 都已自动执行的审核流程。

声音模型在 Mac 上运行，可以把音频推理留在本机；如果上层 Agent 使用云端语言模型，访谈文字或改编脚本仍可能发送给它的服务商。需要保密的工作应检查整条资料流向，而不能只看最后一段语音在哪里生成。

当前 Sonano 的 MCP 工具涵盖语音、转写、变声、声音创建和持久对白工程；有声书另有 App 与 HTTP 路径，视频配音时间轴仍未实现。本文场景讨论顺序对话音频的编排，不是视频自动配音的交付承诺。接入步骤可继续看本地声音连接指南。

资料核对日期：2026 年 11 月 3 日。本文的创作情境与听觉示例用于讨论，不代表已执行的模型测试；App 功能以当前版本为准。