克隆港铁的声音#

至于用什么 AI 来做，选来选去还是用了 MiniMax，它能用一段录音克隆出一个音色。TTS 这方面，国外的 AI 对普通话的支持实在不敢恭维，之前和 GPT 的语音模式聊天，它那口中文口音差点没把我笑死。素材是我找到的一段荃湾线全程报站，七分多钟，粤语、普通话、英语轮着来。

要先从里面切出三个人干净的声音。Claude 想在本地装个语音识别模型来切，我拦住了：“不要上模型吧……它的语音之间总有停顿的”。它切出来的第一批片段，有好几段听着什么都没有；它还差点把关门的“滴滴”声当成了最干净的人声。我干脆自己听了一遍，把开头逐秒写给它：第一秒粤语“请勿靠近车门”，第二秒普通话，三到四秒英语，五到九秒关门滴滴声……

用“滴滴”声给录音分段

关门提示音是 500 Hz 的基频加 1550 Hz 的谐波，和人声很好区分。按 500 Hz 附近的能量占比去找，整段录音找出 15 段提示音，正好是 16 个站之间的 15 个区间。每两段提示音之间，就是一站完整的三语报站。

我一看，调 API 克隆一个音色，啥都还没干就要 9.9 元，真是吓哭了。不过想着来都来了，尝尝咸淡吧……先克隆普通话，让它念一句我们服务器里的：“下一站，琶洲，乘客可以转乘0号线、6号线，或14号线，左边的车门将会打开”。

我听完只打了一句：

像，太像了！几乎完全一致啊

【这几个音色只在自己的服务器上用，所以文章里就不放声音了】

写文案#

声音像了，可要听起来像港铁，还差得远。港铁的报站藏着很多细节，平时坐车不会特意注意，少了一处却马上不对味。

首先是开门的方向，S2 靠右行驶，岛式站台开左门，侧式站台开右门；有的站是西班牙式站台，两侧都开；站前折返的终点站，不同车种开的门还不一样，这些我都一条条报给了它。

然后是换乘，几条线都能换的时候，港铁并不会每条都念一遍，比如荃湾线往荃湾方向，下一站金钟时不会报换乘港岛线，因为前一站中环就能换，要去港岛线的乘客根本不会坐到这。S2 里也有好几处，比如区间车到琶洲不用报换乘 14 号线，到雪裂谷同台换乘更方便。这类换乘，例子给得够多的话，AI 应该也推得出来；只是全图也没几处，我自己判断更省事。

还有一些说法也要注意，比如快车每次报下一站之前，要先报出它剩下的停靠站；区间车要报“本班列車以海傍為尾站”；粤语里的“的”要用“嘅”。我还让它在拟文案时主动推荐改动，让遣词造句更有港铁味，尤其是粤语部分。

验收的时候，我让它把每个交路从头到尾会播的声音按顺序拼成一个音频，从起点一路听到终点，北行快速就是这样听出问题的：一会儿报南行的站，一会儿报北行的站，顺序全乱了。

念错的地方#

AI 念错的地方也不少，比如调过一版参数以后，它把站名念了两遍：“下一站，琶洲，琶洲”。Pazhou 念得像 Pazou，最后干脆把英文写成 Pah Joe，让它照着念。“橓岭”的“橓”被它念成了 ying。筲箕湾的“筲箕”普通话该念得像“烧鸡”，它把“筲”念成了“骚”。我想让它在“左边的车门”和“将会打开”之间停一下，停顿给 0.1 秒嫌长，改成 0.05 秒，听着反而更长了。

时长和成本#

S2 是我今年主要打造的线路，有什么新实验都先往它身上套，报站也不例外。第一版做完，进游戏坐上去一听，问题来了：区间车站距短，一站还没报完，车就到下一站了。

从这以后，报站就不只是写文案了。每条线开做之前，AI 先读存档，找出每个报站器在哪、列车停多久、什么时候关门，再按列车的加减速模拟一遍，算出每段报站最多能播多久。放不下的，就按门侧提示、欢迎语、粤语的顺序一样样去掉。后来连报站器都不用我一个个摆了，它把位置和设置直接写回世界里。

另外，每条线都整句整句地合成的话，花费很快就上去了，于是我提了个主意：常规句子、站名、线名各生成一次，然后我们自己拼。10 号线是环线，整句合成要大约 12,900 字，拼起来只花了 4,150 字左右，只有原来的三分之一。

站台广播器#

光车上会说话还不够，港铁的站台也有广播，车快到了要提醒，车门要关了也要提醒。MTR 没有这样的东西，我就让 Claude 在 mod 里做了一个“站台广播器”：选好站台、交路和音频，再定在到站前或发车前几秒开始播，或者正好播完。

后来我又给它加了个“续播范围”。站台广播是放给等车的人听的，坐车进站的乘客，一下车就听到站台上播了一半的广播，会很怪。所以广播开始时人已经在站里、又不在车上的，走进站台能接着听；坐车进站的，就听不到站台刚刚放过的那段。

复刻御堂筋线#

今年 5 月，我去了一趟大阪，人生第一次出国，来到了火车迷心中的圣地。各种铁道品鉴下来，我觉得日本的报站很有意思，尤其是特别爱用各种提示音，听过就忘不掉。回来以后，我决定把服务器的 3 号线改成大阪地铁御堂筋线的样子。

“提示音是精髓”，这是我跟 Claude 说的。它用 Whisper 把原声转成文字，扒出提示音，又克隆了两个音色【又是 19.8 元】。我纠正了它好几处：开门那段琶音是开门时播，不是到站时；始发的旋律要放两遍才开始报站。中间还有个小插曲：它把终点站音乐里的人声去掉以后，Whisper 对着纯音乐，一本正经地转写出一句“ご視聴ありがとうございました”（感谢收看）。那段时间我刚背了一半的五十音，Claude 还顺手给我讲了音读和训读。

到 10 月 18 日，服务器上已经有 11 条线开了口：S2 是港铁腔，3 号线是大阪腔，5 号线又回到原汁原味的港铁，开门时多了一声“叮咚”。

后记#

S2 的报站第一次在游戏里响起来时，我的感觉和升级做完那天差不多：拖了好久的事，终于完成了。不一样的是，这件事我本来就会做，只是懒；现在有了 AI，又解放生产力了。

还有一件事是后来才意识到的：为了摆报站器，它已经学会了读写存档。于是有一天，我对它说：

既然你现在有编辑存档的知识了，我想搞一些自动建造的工作