可编排语音工作流（Orchestrable Workflow）
可编排语音工作流（Orchestrable Workflow）是指语音模型能够像代码一样被精细控制、纳入 Agent 与多模态工作流的阶段。这是语音模型从“输入文本-输出黑盒音频”的古典阶段进化而来的新范式，标志着语音正式成为现代软件工程中一个可被精确编排的组件。
核心特征
- 精确可控：通过 Audio Tags 等机制，开发者可以显式控制发音的每一个细节。
- 工作流集成：语音生成可以无缝融入自动化内容生产线、AI Agent 工作流和多模态产品。
- 代码即成品：语音输出可以直接由代码逻辑驱动，无需后期人工剪辑和调整。
与传统 TTS 的对比
| 维度 | 传统 TTS | 可编排语音工作流 |
|---|---|---|
| 控制粒度 | 粗粒度，依赖文本语义 | 细粒度，通过标签精确控制 |
| 情绪表达 | 不可控，随机 | 可编程，可注入指定情绪 |
| 工作流集成 | 断裂，需后期剪辑 | 无缝集成，代码驱动 |
| 工业化能力 | 半手工 | 全自动化 |
应用场景
- AI Agent：动态情绪客服 Agent，结合 LLM 情感分析能力，动态调用不同音频标签。
- 自动化内容生产线：剧本杀或互动小说的一键音频化，通过脚本自动打上 Audio Tags 生成多角色广播剧。
- 多模态产品工作流：动态 AI 视频教程生成器，通过代码精确控制语音与画面的同步。
技术基础
- [[Audio Tags]] — 实现可编排工作流的核心技术机制。
- [[情绪决策与音频渲染分离]] — 推荐的架构设计原则。
- [[全模态提示词工程]] — 开发者需要掌握的新技能。
战略意义
可编排语音工作流将人类最古老、最微妙的沟通方式——语音——正式纳入了现代软件工程的版图。不可控的生成只是一次性的玩具，可精确编排的生成才是重塑千行百业的工具。