把小说转成多角色有声书，核心难点根本不在TTS合成

很多人觉得只要识别出引号里的对话就行，但实操起来你会发现，简单的正则匹配在真实文学作品面前就是个笑话。比如这种句子："I told you," she said, "and you did not listen." 这种中间夹杂说话人的结构，如果用Naive的切割法，会被拆成两条独立的对话，甚至分给两个不同的配音。

更坑的是完全没有说话人标记的对话流，全靠上下文推断谁在说话，一旦第三个人插话，解析逻辑直接崩掉。

分享几个实战中比较有效的处理方案：

一、 放弃纯正则，引入动词词典
与其死磕复杂的正则表达式，不如建立一个包含 said / asked / whispered / muttered 及其变体的词典。针对 "..." 或 , "..." 这种两种顺序的模式进行显式处理，准确率比写一个巨大的正则要高得多。

二、 必须做指代消解（Coreference Resolution）
如果解析出 "she said"，你得知道这个 "she" 在当前场景里具体是谁。如果不做指代消解，虽然你给每句话都分配了声音，但声音分错了。这种不一致性比单调的朗读更让听众难受。

三、 角色映射必须是全局的
这是一个很容易踩的坑：角色配音必须在全书维度锁定。你不能在第14章因为置信度降低而给主角换个声音。这意味着你的架构不能是流式的，必须先全书扫描一遍，统计角色出现频次 → 分配声音 → 冻结映射表 → 最后才开始渲染音频。

一个比较稳的实操工作流：
1. 全文解析 → 统计角色及其出现次数
2. 给高频角色分配特定音色，其余全部交给旁白
3. 持久化存储这个 Mapping 表
4. 根据冻结的映射表逐章渲染

当然，目前还是有搞不定的场景。比如第一人称叙述（叙述者本身也是角色）、书信体小说，或者一章之内频繁切换视角的书。这些场景目前的通用解法很差，基本得靠手动覆盖（Manual Override）来修正。