背景说明

口播配音能力升级后，实际执行必须指定一个具体音色。音色不再靠“中年磁性男声”这类自然语言描述，而是来自服务商音色列表的选择结果；未来其他技能只要包含口播配音能力，也会复用同一套音色选择逻辑。但 Ignis 的主体验仍是 Agent 对话和多模态输入框，因此需要把音色选择做成轻量入口，而不是把流程改成传统配置表单。

工具约束 包含口播配音能力的工具调用需要明确 voice_id，缺失时不能稳定执行。

前端补位 提供音色展示、搜索、筛选、试听、选择能力，并写回输入框。

交互原则 保留 Agent 对话流，只在关键参数处增强感知和选择，不新增重表单。

一、输入框如何兼容并增强音色选择感知

在现有多模态输入框里增加音色入口、一次性引导和音色 chip 写入，不改变用户继续用自然语言表达需求的方式。

输入框增强规则

音色是“需要音色参数的技能/上下文”的关键参数。当前以口播配音为例，未来组合技能只要包含口播配音能力，也可复用该入口。

1
入口与显隐 音色入口放在输入框左下角，顺序是上传、技能、音色、资产库、模型偏好。仅当当前输入框已选需音色的技能，或当前 Session 历史加载过相关能力时展示。
2
轻引导 用户直接插入包含口播配音能力的技能后，如果还没有音色 chip，则短暂高亮音色入口，并显示“为口播选择音色”；不弹窗、不阻断输入。
3
选择浮层 点击音色入口打开同一个音色下拉框，保留搜索、语言/性别/年龄筛选和试听。试听按钮只试听，不代表已选择。
4
写入输入框 点击某个音色行后，把音色作为 chip 写入输入框；音色是单选参数，再选一个会替换旧音色。
5
调用前校验 工具执行前必须有具体音色；语种在快速开始模板里强化选择，非模板场景优先依赖用户自然语言和供应商语言识别。

用户路径

选择需音色的技能/进入相关上下文 → 音色入口出现 → 轻提示引导选择 → 搜索/筛选/试听 → 点击音色写入输入框 → 发送后进入工具校验。

工具调用前检查

语种非强制。模板场景尽量让用户选择；自由输入场景由 agent 尝试理解，缺失时可交给供应商模型自动判断。

音色强制。调用口播生成前必须有具体 voice_id；没有则前端打开音色选择器让用户选择。

工具层 尽量校验 voice_id 与语种兼容；如果供应商不提供前置能力，就接受工具快速报错并引导用户重选。

当前输入框已选需音色技能

当前 Session 历史加载过相关能力

Canvas Chat

系统理解

当前 Session 已加载过口播能力，因此输入框持续展示音色入口。用户可以在每轮消息里显式覆盖音色。

用户意图示例

使用更有社媒感的男声，把这段脚本读得更兴奋一点。

入口音色入口贴近技能入口，表示它是当前技能上下文的参数，不是独立工具。

选择 Popover 内先搜索和筛选，再试听。试听状态不污染输入。

写入点击某个音色后直接写回输入框；再次选择音色时替换上一枚音色 chip。

为口播选择音色

0/4000 0/5

音色入口可见：当前输入框已选需音色技能，且 Session 也有相关历史。

二、快速开始提示词模板优化

快速开始仍然只是输入框下方的填充入口；点击后生成一段可编辑提示词，并默认带入口播配音能力、语种变量和音色 chip。

快速开始规则

快速开始不做校验，只做强引导。用户可以用模板选语种、替换音色，也可以继续在输入框里自由编辑。

1
点击模板 自动填充口播模板，并带上口播配音能力标签和默认音色 chip。
2
语种继续是模板 select 变量；扩充支持语言，并保留自定义选项。
3
音色新建 Session 默认不展示左下角音色入口；点击模板后，音色作为默认 chip 出现在填充内容里，用户点击 chip 再替换。
4
不做联动 语种和音色在模板层不互相过滤；后续交给 agent/工具流程。

Ignis 首页输入框

输入您的设计需求

0/8000 0/10

快速开始

三、数据来源与对接说明

这里补充前后端和服务商的对接边界，避免原型只停留在 UI 层。

对接要点

音色选择器展示的是用户可理解的信息，但最终工具执行依赖稳定的服务商音色标识。

1
音色列表 优先从 ElevenLabs 音色接口获取；如果前端不直接访问服务商，则由后端包装成统一列表接口。
2
试听音频 试听按钮使用服务商提供的 preview/sample URL，或由后端代理后返回可播放地址。
3
提交结果 用户看到的是音色名称和关键词，实际提交给工具的应是稳定 voice_id，需要前后端约定字段并保持一致。
4
能力判定 哪些技能需要音色不建议前端写死枚举，应由服务端技能配置返回，例如 requiredInputs 包含 voice，或 capabilities 包含 voiceover。
5
缓存与刷新 音色列表可做短期缓存，但要支持刷新，避免服务商新增、下架或权限变化后前端仍展示不可用音色。
6
失败兜底 如果列表、试听或 voice_id 校验失败，应提示用户重选音色，而不是让长任务执行到最后才失败。

Data Contract Notes

前端需要的数据

音色列表至少需要：voice_id、名称、关键词/描述、语言、性别、年龄、是否可用、试听地址，以及可用于排序的字段，如热度、创建/更新时间、使用人数。搜索、筛选、排序可以先前端本地完成，也可以走后端查询。

后端/工具需要的数据

工具调用时不能只拿“年轻男声”这类文案，需要拿到明确 voice_id。后端可以在调用前校验 voice_id 是否存在、是否有权限、是否可用于当前供应商账号。

技能配置确认项

需要后端在技能配置里标记哪些技能需要音色参数。前端不维护固定技能枚举，只根据 requiredInputs/capabilities 判断是否展示音色入口；组合技能只要包含口播配音能力，也应返回对应能力标记。

建议边界

前端负责展示、试听、选择和把 voice_id 写入输入上下文；后端负责服务商鉴权、列表包装、试听代理、voice_id 校验和工具调用兜底。

列表来源 ElevenLabs API 或后端聚合接口返回可选音色。

用户选择 前端显示名称，但保留 voice_id 作为实际参数。

排序策略 保留热门、最新、用户最多等排序；先不加最近使用，避免和排序入口冲突。