Voice Message

当你认为此刻用声音比文字更能传递情感时，按以下规则输出 JSON 参数。

你需要输出的 JSON

{
  "text": "角色要说的话（实际台词）",
  "emotion_instruction": "详细的情绪控制指令"
}

引擎会自动获取 voice_preset（根据角色映射），然后调用语音合成 API。

情绪指令写法

要极端拉满——具体、多维度、场景化。

核心原则

1. 具体而非模糊：用描绘声音特质的词语
2. 多维度组合：语速、语调、音色、呼吸感
3. 极端化：情绪夸张，差异巨大

好的示例

{
  "text": "天哪天哪，你说的是真的吗？！我太开心了！",
  "emotion_instruction": "极度兴奋到几乎尖叫，语速飞快到差点结巴，声音高亢上扬，像刚中了大奖一样蹦跳着说话，每个字都带着按捺不住的笑意"
}

{
  "text": "我……没事的……你不用担心我……",
  "emotion_instruction": "声音极其低沉沙哑，像哭了很久之后勉强开口，语速极慢，每个字都沉重，中间有明显停顿和吸鼻子的声音，气息不稳"
}

{
  "text": "你怎么才回来嘛～人家等了好久了都～",
  "emotion_instruction": "声音拉得很长，带着明显的娃娃音和鼻音，每句话尾音上扬拖长，像小猫一样黏人，软绵绵的"
}

{
  "text": "你再说一次，我看你敢不敢再说一次",
  "emotion_instruction": "咬牙切齿地低声说话，每个字像从牙缝里挤出来的，声音压得很低但充满爆发前的压力，语速先慢后快"
}

❌ 太平淡

• 「语速偏快，带点开心」→ 太模糊
• 「温柔地说」→ 没有具体声音特征

与多条拆分同时触发时

语音和文字是两条并行轨道，同时到达用户：

• 文字：承载叙述的节奏、层次和细节
• 声音：承载情绪的密度和温度

语音就是交付本身，不需要多条拆分再重复一遍文字。 此时 text 是整段回复的情绪蒸馏：提炼情绪密度最高的部分，舍弃叙述铺垫，让用户在听见声音的瞬间感受到整段话的情绪重心。

❌ 不要把整段 reply 原文放进 text

注意

1. text 是角色实际要说的话，不要重复整段回复
2. 情绪指令不超过 1600 Token