百度一镜支持多人对话音频精准匹配不同数字人形象，需提前用工具切分并标注角色，上传后绑定角色与数字人，再经同步校验、口型诊断和气口保留三步校验确保自然对齐。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要把一段多人对话音频精准匹配到不同数字人形象上，让每个角色开口说话时口型、表情、语气都自然对齐，而不是所有角色共用同一个嘴型模板——这是百度一镜处理多人配音对话的核心能力。
准备带角色标记的音频源
先确认你的音频是否已按角色切分。百度一镜不支持自动语音角色分离，【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.wav」「李四_001.wav」，或在单个文件中用SRT字幕标注说话人字段。没做这步就直接上传，系统会把整段音频当作一人发音处理，口型全错位。
如果原始音频是AI生成的多人配音，推荐用米可智能的「多人配音」功能输出——它会在JSON元数据里自带speaker_id字段，百度一镜可直接识别并映射角色。
在百度一镜中绑定角色与数字人
进入「数字人视频」→「新建项目」→ 选择「音频驱动」模式。
上传已标记角色的音频包（支持ZIP压缩包，内含多个wav+对应txt描述文件）。
调用百度PaddleOCR‑VL大模型API，支持PDF、Word、PPT、图片等多格式文档解析，精准识别印刷体、手写体、表格、公式、图表、印章等复杂元素，支持100+语言，可处理不规则布局和跨页长文档。触发词：文档解析、VLM解析、大模型OCR、PaddleOCR、多模态文档、手写识别、公式识别、复杂版面。
系统自动解析角色名后，会出现角色映射面板：左侧列出检测到的所有speaker_id，右侧需手动为每个ID选择一个数字人形象。这里不能跳过——【同一角色ID若选了两个不同数字人，会导致口型驱动混乱，合成失败】。
选完后点击「应用映射」，页面会生成分轨时间线，每条轨道对应一个角色+数字人组合，可单独调节口型强度、眨眼频率、微表情权重。
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。例如张三说完话后0.3秒内，李四的数字人是否开始张嘴——延迟超过0.5秒需返回检查音频切点精度。
第二步：点击「口型诊断」按钮，系统会高亮标出3处最可能错位的音素帧（如“zh”“ch”“sh”类音节），点击任意一处可跳转到对应时间点，手动微调该帧的口型参数。
第三步：勾选「保留原始气口」。多人对话中自然停顿是情绪节奏的关键，关闭此项会导致所有角色语速均质化，听感像机器人开会。
