企业官网建设流程全解析

做NPC对话演出的时候，最让人头疼的一件事就是“嘴型对不上”。角色明明在说话，嘴却像含着东西一样乱动，或者干脆面无表情地干瞪眼。以前我图省事，直接用Animator去K口型帧，结果十几个台词片段就得K半天，改一次文案又得重来。后来项目里开始用SALSA With RandomEyes，这个问题才真正解决掉。

SALSA With RandomEyes是一个Unity老牌动画插件，专门解决两件事：一是让人物根据音频自动生成嘴型动画，二是让角色的眼睛像真人一样会眨眼、会飘视线、会看目标。它适合任何需要“人物开口说话”的场景，不管是RPG里的对话NPC、剧情演出、虚拟主播，还是培训类课件里那个负责讲解的虚拟讲师。你只需要扔一段语音进去，或者实时给麦克风信号，插件就能自动驱动人物张嘴闭嘴，再配合RandomEyes的眼神系统，角色一下就“活”了。

这篇文章我会从实际项目使用的角度，把SALSA With RandomEyes的配置流程、Inspector参数、代码控制方式，以及和动画系统、对话系统整合的常见做法都过一遍。文章里还会带上我调参时踩过的坑和排查思路，保证不是官方文档那种云里雾里的说教，而是可以直接抄作业的那种。

1. 先搞清楚SALSA With RandomEyes到底解决什么问题

1.1 做实时人物说话动画，为什么比想象中麻烦

很多新手第一次做对话NPC，都会想“不就是播放个动画吗”，做了之后才发现根本不是这么回事。人类说话时嘴部动作是有音素规律的，同一个汉字“好”和“吧”，张嘴幅度、唇形收紧程度完全不一样。想要做出可信的口型同步，你得把音频里的发音切成一个个音素，再映射到对应的口型BlendShape或者骨骼上。

这套流程如果靠手K，工作量是灾难级别的。一段10秒的语音可能涉及几十个口型切换点，每个点还要调整BlendShape权重，改一次配音就得重来一遍。更麻烦的是实时语音场景，比如虚拟主播和玩家对话，你根本不知道下一秒人物要说什么，手K完全不可能。SALSA这类工具的定位就是把这层脏活累活接过去：它实时分析音频信号的频谱或振幅，再自动匹配到当前音节对应的口型BlendShape，整个过程不需要你手动K帧。

眼神问题就更隐蔽了。真人对话的时候，很少有人一直死死盯着你的眼睛不眨。正常交流中，人会偶尔眨眼，视线会往旁边飘一飘，再回来，头部还会带点微小的偏移。做动画时如果把眼神做成固定直视，角色立刻显得“死”且“假”，特别瘆人。RandomEyes就是专门补这层“活人感”的，它能模拟眨眼频率、视线随机移动和头部微动，让角色看起来像在认真听人说话，而不是一尊蜡像。

1.2 插件的工作架构：音频信号怎么变成嘴部动作

SALSA With RandomEyes不是一个单一组件，它通常包含两套核心模块：SALSA负责口型同步，RandomEyes负责眼神和头部微动。两者可以独立使用，也可以同时挂在一个角色身上，实际项目里基本都是配合着用。

SALSA的整个工作链条可以拆成三块。第一块是音频数据源，它可以接收AudioSource正在播放的音频片段，也可以接收实时麦克风输入；第二块是音频分析，插件会对音频信号做频谱拆解，把当前时段的声音能量分布识别成具体的音节，再通过内置的音素表映射到对应的口型姿态；第三块是输出端，也就是把识别结果转成BlendShape权重或者骨骼旋转。整个流程每帧都在跑，所以你听到的任何声音变化，反映到嘴型上只有几十毫秒的延迟。

RandomEyes这边相对独立，它不分析音频，而是按照你设置的眨眼间隔、浏览范围、注视权重等参数，用随机算法生成眼神和头部运动。它甚至能接收一个LookTarget，让角色真的看向某个物体或者某个人，再在这个基础目标之上叠加随机微小偏移，看起来就很接近真人观察环境时的自然反应。

2. 动手前：模型、音频与首次挂载

2.1 模型侧要求：有BlendShape才算入门

SALSA最常见的驱动方式是BlendShape，也就是Unity里做表情动画用的那一套形变数据。大家在商店里买到的卡通角色，几乎都会带一组口型BlendShape，名字一般叫JawOpen、MouthNarrow、LipsPucker、MouthFunnel之类的。也有不少模型直接采用ARKit那套52个BlendShape标准，比如jawOpen、mouthClose、mouthFunnel这些，SALSA对ARKit口型是有直接映射支持的。

不管模型自带什么BlendShape，关键点是导入Unity时一定要把网格的Read/Write Enabled打开，否则SALSA在运行时改权重可能不生效。如果你的角色模型已经带了官方标准口型BlendShape，官网的One Click Setup会自动识别，默认映射就能用；如果是从Mixamo之类的地方下的模型只有骨骼头，没有BlendShape，那就麻烦了。这种情况下SALSA也支持骨骼驱动模式，给每块颌骨、嘴角骨指定目标骨骼，插件会转成旋转量，但配置复杂度明显高出一截，而且效果不如BlendShape自然。我个人的建议是，项目里做人形角色对话演出，优先选择带ARKit口型BlendShape的模型，省掉80%的兼容性问题。

2.2 音频导入与时长建议

SALSA需要从音频波形里提取特征，所以音频本身的格式和压缩设置很影响效果。我在项目里的习惯是，把所有对白音频统一转成WAV格式，采样率选44100Hz或者22050Hz，尽量保证单声道。立体声也可以跑，但分析时插件要做混缩，准确度稍差，而且文件体积大一圈。

还有一个容易踩的坑是音频压缩格式。如果你用MP3或者Vorbis压缩，高频细节会被抹掉不少，SALSA在识别某些辅音时会变得迟钝，嘴型反应出来就明显“糊”。比如爆破音P、B，在压缩格式下经常识别不到位。后来我把项目里的语音全部统一转成PCM格式WAV，嘴型清晰度肉眼可见地提升了。

台词时长上，我强烈建议不要塞一段10分钟的长语音让SALSA从头播到尾。一方面，长音频中间一旦角色被打断，状态恢复很麻烦；另一方面，SALSA可以配合多片段播放列表，把长对白拆成一句一句的短音频，这样控制节奏、触发情绪表情、做逐句字幕都方便很多。

2.3 一键挂载和组件初识

SALSA With RandomEyes安装进Unity后，菜单栏会出现Crazy Minnow Studio。选择一个已经摆好且带AudioSource的角色，点击菜单里的One Click Setup，插件会自动给角色挂上需要的组件。一般情况下，一个完整的对话角色会包含这样的核心组件：SALSA（口型控制）、RandomEyes（眼神控制）、AudioSource（音频播放），以及若干个用来承载表情数据的子组件。

挂载完组件后打开Inspector，第一次看到那堆参数可能会有点懵。不要急，核心区域其实就那么几块。最上面是音频控制区，负责绑定AudioSource、选择播放模式；中间是嘴部映射区，把音频分析出的音节对应到具体BlendShape；下面还有一个高级区域，管延迟、平滑和灵敏度。RandomEyes的界面则比较简单粗暴，一进来就是眨眼频率、视线范围、注视目标的设置。后面几节我会一个一个讲透。

3. 核心功能拆解：在Inspector里把SALSA调到能用

3.1 数据源与口型映射的细节

SALSA支持的数据源很灵活。最常用的是AudioSource模式，也就是让SALSA跟着场景里某个AudioSource播放的音频走。还有一种麦克风模式，直接实时分析麦克风输入，适合做虚拟主播之类的互动场景。两种模式的切换在SALSA组件上就可以完成。

口型映射这块，SALSA默认带了一套标准口型映射表，把国际音标里的元音辅音归类成十几个常用的口型姿态，比如AA、AH、IH、MM、OH、SS、UU这些。它会把音频分析出的当前音素自动匹配到这些口型上，再套到对应的BlendShape上。如果你的模型BlendShape命名不是标准命名，需要在映射表里手动指定，把模型的MouthOpen拖到对应口型槽位上就行。这个过程建议花点时间做完整，因为映射表不全的话，角色说话时很多音口型一样，看起来就很“钝”。

中文适配是我觉得很有必要展开说的一点。SALSA底层是按英文音系设计的，直接拿中文语音去跑，它不是识别不了，而是会把很多发音归类到近似的英文音素上。实操下来，中文普通话的识别可用度其实已经不错了，因为中文拼音的韵母元音占比很高，而SALSA对元音很敏感。但像j、q、x这类声母，插件八成会归到SS或SH一类，导致嘴角会拉得比较开。想要更准，就把常用中文音节手动补到映射表里面，让某几个拼音组合直接对应到指定口型姿态。我项目里的标准做法是准备一张中文字口型对照表，照着改一次映射，以后所有角色都能复用。

3.2 用代码控制人物说话

大多数情况你不会希望每次说话都手动去点Inspector上的Play按钮，而是要在游戏逻辑里用代码触发。SALSA的API不算复杂，核心方法就是Play和Stop，以及一整套事件回调。

using UnityEngine; using CrazyMinnow.SALSA; public class NpcTalkController : MonoBehaviour { public SALSA salsa; public AudioClip[] lines; private int currentLine = 0; public void PlayNextLine() { if (salsa == null) return; if (currentLine >= lines.Length) currentLine = 0; salsa.audioSource.clip = lines[currentLine]; salsa.audioSource.Play(); salsa.Play(); currentLine++; } public void StopTalking() { salsa.Stop(); salsa.audioSource.Stop(); } }

代码里最需要注意的是，SALSA并不会接管AudioSource的播放，它只是监听音频数据来做分析，所以你需要自己负责把音频文件喂给AudioSource并播放。上面例子里是先把clip赋给audioSource，再调用Play，顺序反了的话可能出现音频已播完但SALSA还在那空转的情况。

SALSA还提供了事件系统，比如OnChatStart（开始说话触发）、OnChatEnd（结束说话触发）、OnClipEnds（单条音频播放完触发）。这些事件在做对话系统串联时特别好用，比如一句对白说完后自动切镜头、弹出下一句话、或者让NPC做一个点头动作，都可以通过事件挂上去。

salsa.OnChatStart.AddListener(() => Debug.Log("开始说话")); salsa.OnChatEnd.AddListener(() => Debug.Log("说话结束"));

3.3 播放控制与队列管理

实际项目里，NPC说的话往往不止一句，中间还可能插入情绪反馈。我习惯把对白整理成一个队列，逐句交给SALSA播放，而不是一个超长音频从头讲到尾。

SALSA有一个QuickPlay机制，可以直接把多个音频片段排进列表按顺序播放，同时也支持单句Play模式。对于要做精准控制的场景，比如用对话系统脚本决定“这句话说完要等玩家选择”，我更推荐单句控制，配合OnClipEnds事件自己推下一句。这样打断和剧情分支都好处理，想插一段情绪音也方便。

另外要注意的是，SALSA有延迟参数Delay，默认值有时候会让你感觉嘴型比声音慢半拍。这个参数的本质是给音频分析加一个“预看窗口”，一般设置在0.1到0.3秒之间。如果设成0，嘴型会有明显滞后感；设得太大，嘴型又会提前太多。它跟音频采样频率、模型BlendShape响应速度都有关系，所以没有万能值，需要进Play模式里边听边调。

4. 把“眼神”调活：RandomEyes让角色不再木讷

4.1 RandomEyes面板参数与经验值

光有嘴型，角色仍然不够生动，因为人的注意力焦点是可以从眼神里看出来的。RandomEyes这个模块的核心作用，就是模拟自然状态下眼睛的微小运动。它的Inspector面板里有几个关键参数，我会教你怎么设初始值。

眨眼频率是最直观的一项。真人大概每2到10秒眨一次眼，紧张时快些，放松时慢些。RandomEyes可以设置眨眼的最小和最大时间间隔，初始值建议MinimumBlinkDelay设在1.5到2秒，MaximumBlinkDelay设在4到6秒，这样眨眼节奏不会像机器人那么均匀。眨眼的速度也别调太快，一般0.1到0.15秒完成一次眨眼比较自然，太快像抽搐，太慢像困了。

视线移动范围也很重要。RandomEyes会生成若干个虚拟视线目标点，让眼睛在目标点之间跳动。它的MaxRandomLookDistance默认值可以控制在0.1到0.5，数值越大眼睛飘得越远。我一般是0.2到0.3左右，让视线在角色脸前一小块区域里移动，偶尔飘远点，再回来。视线停留时间也别太均匀，有些停留0.3秒，有些停留1秒，混合起来才自然。

头部微动虽然不归“眼睛”管，但它跟眼神是一个联动系统。RandomEyes带有HeadMovement支持，参数初期可以开得很轻，让头部以很小的幅度跟随视线方向移动。这个幅度不用大，反而越微小的偏移越有“活人感”。这点上真的要克制，很多开发者头一回用就拉满，结果角色像帕金森，观感非常差。

4.2 实现眼神交流：LookTarget与注视切换

RandomEyes强大的地方在于它有明确的注视接口。比如NPC正在跟玩家聊天，你会希望他大部分时间看着玩家，偶尔看下别处。RandomEyes支持给一个Transform作为LookTarget，角色会尝试把视线放在这个目标上，同时保留随机偏移。

在这个基础上做注视切换就非常方便。比如对话有交接棒机制：NPC先看着A玩家说一句话，再转头看着B玩家说下一句。你只需要在两句台词之间动态替换LookTarget，再配合RandomEyes的Fade速度参数，角色眼神就会平滑地转过去，不会有瞬移的突兀感。我做虚拟展厅里的导览员时，就是用这个方案让人物在介绍展品的过程中自然切换到不同展品方向，效果比用Animator硬切不知道自然多少。

有一点需要注意，RandomEyes默认情况下会让眼睛看向LookTarget，但如果你发现自己配好了转头还是像“死鱼眼”，大概率是因为眼睛的旋转限制范围太小。检查一下RandomEyes面板里的MaxEyeAngle，太小时瞳孔根本转不到目标方向，很多新手卡在眼神不跟目标上，多半是这个值停留在了默认的几度。

5. 高级玩法：SALSA与动画系统、对话系统的整合

5.1 让Animator和SALSA并行工作

SALSA会通过代码直接控制嘴部BlendShape的权重。如果你在Animator里也用同一组BlendShape做表情，必然会发生“打架”。我见过不少项目，角色说话时嘴形突然抽搐一下，后来排查发现是Animator里的Idle状态也在写入同一个BlendShape，两股力量每帧互相覆盖。

解决办法，要么保证Animator完全不去动SALSA控制的那几个嘴部BlendShape，要么把嘴型动画放到单独的动画层，并且用Additive模式。情绪表情我建议走另一个层控制，比如皱眉、抬眉这些不影响口型的上半脸BlendShape，跟嘴部驱动完全不冲突。这样Animator管上半脸的情绪表演，SALSA管下半脸的语音口型，RandomEyes管眼睛，各司其职，角色才会既会说话又有表情。

如果你确实需要全局的Idle动画带着一点嘴部起伏，那也别忘了给那层动画设置合适的权重，或者在SALSA播放对白时用代码把该层权重降为0。实测下来，这种做法比在Animator里靠Blend Tree死磕要省心得多。

5.2 接入对话系统与演出节奏

SALSA自带的音频播放和事件系统其实已经够用，但大型项目里对白一般会交给专门的对话系统插件，比如Dialogue System、Yarn Spinner这类。对接的思路并不复杂：对白系统负责逻辑、选项和文本显示，真正开口说话时，把当前句子对应的音频片段交给SALSA触发。

我常用的对接方案是，对白系统在切到某一句台词的瞬间触发一个UnityEvent，在这个事件里调用TalkController的PlayNextLine，播放对应音频并启动SALSA。台词结束后，SALSA的OnChatEnd事件再回调给对白系统，告诉它“这句说完了，可以继续下一句”。这样两边各管各的，耦合度很低。

如果项目里用到Timeline做演出，那就更典型了。我会把每个说话角色都挂好SALSA，然后把音频片段放到Timeline的对应轨道上。之后在Timeline里订阅SALSA的事件调用代码控制口型开关。剪辑师在Timeline里调整音频节奏的时候，口型会跟着音频走，不用重新调SALSA，这个工作流在过场演出中真的能救命。

6. 实操全流程记录：从一个空场景到能说话的NPC

6.1 从0到1搭建一个对话NPC

我拿一个带ARKit口型BlendShape的卡通NPC模型为例，带大家完整走一遍SALSA With RandomEyes的接入流程，这样你手头有自己的模型时也知道每一步在干什么。

第一步，把模型放进场景，确认它身上有AudioSource组件。没有的话手动添加一个，AudioClip可以留空，反正后面代码会赋值。第二步，点菜单Crazy Minnow Studio下的One Click Setup，选择角色根节点，插件会自动挂上SALSA组件、RandomEyes组件，并在子物体上生成必要的口型映射配置。第三步，检查SALSA组件上的BlendShape映射表，把所有口型槽位都手动拖一遍，确认和模型自己的BlendShape一一对应，特别要留意模型BlendShape名字带不带前缀。第四步，挂上自己写的TalkController脚本，把SALSA组件和台词音频数组填进Inspector。

这样就完成了基础接入。接下来调参，我个人习惯先把延迟设到0.2秒，口型平滑Dampening先保持默认，然后测试一个带明显元音变化的长句子，观察口型切换是滞后还是超前，再微调参数。

6.2 测试与参数微调记录

我在测试一个展示型NPC时，遇到过几个很典型的问题。刚开始口型反应总是慢半拍，声音已经出来了嘴才开始动。把Delay从0提到0.25秒之后，滞后感基本消失，但嘴型有点模糊，就是口型切换太快导致中间状态看不清。这时候把Dampening（降幅系数）从0调到0.5左右，口型切换会变得平滑一点，不再像抽搐。

还有一个参数让我印象很深，叫Coherence。SALSA里它可以用来控制口型姿态切换的稳定度，太高会让嘴型反应迟钝，太低会让嘴型疯了一样高频变化。我调了一圈，发现Coherence设在1.5到2.5之间比较理想，具体值取决于音频里的说话速度。语速快的角色调低一点，语速慢的角色调高一点。这个参数没有公式，边听边试是最快的。

最后是RandomEyes，我把BlinkDelay设在2秒和5秒之间，MaxRandomLookDistance设为0.3，头部跟随幅度控制在5度内。这样调完之后，角色站在那里听玩家讲话，偶尔眨眼，偶尔看下地板再看回玩家，存在感立刻不一样了。

7. 常见问题与排查技巧实录

7.1 高频问题速查表

我在多个项目里用SALSA，积累了一些高频问题的排查记录。这里整理成一个表格，方便你直接对照。

7.2 一些只有踩过坑才知道的细节

第一个坑是“模型导入设置”。很多人SALSA配好了还是没反应，亲身经历告诉我，先检查模型网格是否开启Read/Write Enabled。Unity在构建时会把默认不开启的模型数据优化掉，运行时BlendShape权重改了也没法写进去。这个问题用编辑器模式测不出来，打包出门必炸。

第二个坑是“局部坐标下的RandomEyes”。RandomEyes的LookTarget如果不在角色附近，眼神可能会直接转到一种扭曲的角度。我在做NPC看向玩家时，会挂一个空物体在玩家头顶位置作为LookTarget，别直接把自己角色的主Camera塞进去，因为Camera的朝向和位置跟你想让他看的那个点往往不是一回事。

第三个坑是关于Unity版本兼容。SALSA With RandomEyes这种老牌插件，升级Unity时偶尔会冒出来编译报错，最常见的是命名空间变化或者API弃用。如果你用的Unity版本比较新，建议先在小工程里做一次导入测试，确认没有报错再往主工程里搬。否则你会在一堆“CS0619”和“CS0618”的报错里浪费一个下午。

第四个坑是“收音环境复杂”。如果是实时麦克风输入，嘴型会比预期糊很多，因为背景噪音会让音频分析器误判。我当时用的方案是接入麦克风前先做简单的低通滤波，把高频噪声滤掉一部分，嘴型准确度会明显提升。如果不想自己写滤波，就让主播或者演员安静一些，后期再修。

最后一个心得，SALSA的自动化不是万能的。它特别擅长处理日常对白的口型同步，但遇到角色夸张的表演，比如大笑、咆哮、哭泣，这些情绪化口型，纯靠音频分析出来的效果还是偏“温”。我的做法是，在SALSA播放的同时，用Animator额外做一个夸张的表情覆盖层，比如张开嘴的上半部分和眉头紧皱，在情绪爆发点叠加进去。这样声音驱动的口型和人工调的情绪状态结合，既有自动化效率，又有演出质感。

这些算是我在几个项目里沉淀下来的核心经验了。每次看到有人把SALSA装好后还在那手动K口型帧，我都想劝一句，把时间留着去调眼神和表情层不好吗。工具能接的活交给工具，剩下真正需要人的判断力的部分，才是我们做动画演出的人该花精力的地方。