声音即乐器

communication 的声音力学层。模型：把它当乐器演奏，而不是当工具使用——把每一个旋钮都推到两端去调节，绝不固定在一个恒定档位。单调的语调会把再精彩的内容也拉平；有起伏才抓得住注意力，也才读得出真诚。语调承载着约 80% 的意义——"人们先感受到你，才听到你说的话"；同样的字句配上不同的情绪，就是不同的信息。

旋钮组（同步调节）⭐ {agent-VO}

音量变化 + 音高变化 + 语速 + 语调 = 参与度。

语速 —— 放慢 = 口头强调／分量；快速爆发 = 激情，但不能作为默认档位。开场时故意比自然感觉更慢一点，然后像"飞机起飞"一样逐渐加速，把听众的耳朵吸引进来。
音量 —— 提高 = 能量，降低 = 亲密感（让人靠近听）。默认停在 6–7/10，但要能驾驭整条 1–10 的音量轴；停在 3 会显得你自己都不相信自己说的话；一直顶在 10 又显得刺耳惹人厌。"当你的声音很小，别人就会认为你的想法也很小。"
音高 —— 低 = 权威感（"我是认真的"），高 = 俏皮／温暖／好奇。
语调 —— 要把真实情绪揉进去，否则听起来像机器人。
停顿 —— 沉默为要点搭出框架（参见 clarity-and-frameworks 中的 pause-replaces-filler）。
旋律 ⭐ —— 一句话之下起伏的音乐轮廓；"GPS 式单调"的反面。严肃 → 音高下沉，激情 → 音高上扬。"你是嘻哈、是 K-pop、是所有曲风——别只弹一个调。"

承重级修正

⭐ 落调收尾（在低音上结束） {agent-VO}{written} —— 每句话的最后几个字都落在下沉的音高上，然后停住。句尾上扬（uptalk）会摧毁权威感，读起来像是在寻求认可；而落在低音上则读作笃定，也让人更难打断你。这是语料中杠杆最高的单条权威性修正。落到文字上：措辞要让句子"落得下去"，句尾不要拖一个"……对吧？"。
⭐ 让整句话都带气／消灭气泡音 {agent-VO} —— 最后一个字要和第一个字用一样的气息和能量说出来；"清晰感就活在句子的边缘。"尾音衰弱会读作犹豫不定（"像 GPS 在最后几个转弯前信号中断"）。气泡音（vocal fry）= 用一口气快耗尽时那点没能量的声音在硬撑；要在气快用完之前就换气。
关键词重音 {agent-VO}{written} —— 只强调那一个承重的词；重音挪动位置，意思就跟着变（"这很重要" / "这很重要"）。"如果什么都强调，就等于什么都没强调。"
⭐ 音量校准 {live drill} —— 自己感觉到的音量 ≠ 别人听到的音量；说话小声的人会给自己打约 7 分，而全场听到的只有约 3 分。当你感觉自己在 5 分时，要推到 8–9 分；关键时刻再加 10–15%；一旦被纠正上调了一档，就要守住那个档位。（对 agent VO 而言：能迁移过去的是那个目标档位；重新校准这个训练动作本身属于真人表演者。）

能松开转变的重新框定 {live}{agent-VO}

⭐ 习惯声音 ≠ 天然声音 —— "你在两岁时就已经失去了天然的声音；你现在的声音是你的习惯声音"，是 20 到 40 年里吸收来的行为，感觉像是永久的，其实不是。这句话能化解"我天生就是这个声音"的说法。
声音 = 人格（"声音形象"） —— 你一开口，别人就会为你构建出一幅人格画像，它和穿着一样真实，却是隐形的，所以人人都忽视它。对 agent 内容而言：选配声音／TTS 的表演指导是一个人格决策，不是一个默认项。
脸是声音的遥控器 {live; voice-half agent-VO} —— 表情丰富的脸 → 有生气的声音；面无表情的脸 → 平淡的声音。对 agent VO 而言：把每一句台词的情绪意图写进脚本，让朗读能承载它。
口音没问题；咬字才是问题 —— 参见 clarity-and-frameworks。

仅属于 {live} 的那些声音练习（过度咬字朗读训练、警笛音、唇颤音、软腭抬高、绕口令、鼻腔呼吸、录音回放／骨传导矫正法）属于真人表演者，也属于 the-practice-engine；而那个练出来的结果声音，才是 TTS 表演指导所瞄准的 {agent-VO} 目标。

父节点：communication · 机器可执行子集：what-transfers-to-agent-content。