文案转中文配音
基于 edge-tts（微软神经网络语音）生成中文配音 MP3。单句约 5 秒级、多句批量编号输出，方便对轨剪辑。
关键经验（为什么这样做）
- 不要用对话播客接口做配音：它面向对话场景，即使 prompt 严令"逐字朗读"，一句 24 字的文案也会被扩写成 8 分钟播客（2026-09-22 实测踩坑）。
- 依赖持久化：edge-tts 装在系统环境会随会话重启丢失。脚本已内置自动处理——检查依赖，缺失则安装到
./.pylibs（随工作区持久），并注入 sys.path。正常情况无需手动 pip install。 - 微软 TTS 端点在运行环境网络可达（实测 OK），生成很快（一句话约 2-5 秒）。
工作流
Step 1 确认配音素材
- 单句：用户消息里的文案直接用。
- 多句/长文案：整理成"每行一句"的文本文件（写入 workspace），走批量模式。
- 逐字照读是配音的底线：不要自行润色、增删用户文案。用户说"优化一下文案"时才改。
Step 2 生成
# 单句（注意 --rate 用等号传负值：--rate=-10%，空格写法会被 argparse 吃掉）
python3 <skill_dir>/scripts/voiceover.py "下面是外屏贴膜演示，仅适用于购买含外屏膜套餐的用户。" -o "外屏贴膜演示-开场配音.mp3"
# 批量（每行一句 → 01_文案.mp3、02_文案.mp3 ...）
python3 <skill_dir>/scripts/voiceover.py --file lines.txt -d ./audio --prefix 贴膜演示
Step 3 校验
- 脚本会输出每条时长（ffprobe）。合理性自查：中文正常语速约 4-5 字/秒，时长 ≈ 字数÷4.5，偏差过大说明文本或生成有问题。
- 语速档位参考：产品演示/教程
-10%（给画面留呼吸）、口播快节奏+10%。
Step 4 交付
- 文件放
./outputs/，命名带用途（如贴膜演示-开场.mp3）。 - 把音频文件路径交给用户，下载链接贴在回复正文。
- 回复包含：音色、时长、可调项（音色/语速），方便用户快速迭代。
音色表
| 中文别名 | Neural 名 | 风格 | 适用 |
|---|---|---|---|
| 晓晓（默认） | zh-CN-XiaoxiaoNeural | 女，自然亲切 | 电商演示、产品介绍 |
| 晓伊 | zh-CN-XiaoyiNeural | 女，活泼 | 年轻向内容 |
| 云希 | zh-CN-YunxiNeural | 男，年轻清爽 | 科技/数码 |
| 云扬 | zh-CN-YunyangNeural | 男，播音腔 | 正式讲解 |
| 云健 | zh-CN-YunjianNeural | 男，浑厚 | 广告大片感 |
用户没指定音色时：电商演示类默认晓晓；交付后附音色表提示可换。
示例
例 1：用户："下面是外屏贴膜演示，仅适用于购买含外屏膜套餐的用户。 转中文配音"
→ 单句生成（晓晓）→ 校验时长 ≈6s → 交付文件 → 附音色/语速可调提示。
例 2：用户发来 10 行解说词"每句一个音频，我要逐句配音"
→ 写入 lines.txt（每行一句）→ 批量模式 → 校验各条时长 → 逐个 交付文件，编号命名方便对轨。
例 3：用户："上一个配音语速慢一点"
→ 同文案同音色 --rate -15% 重新生成 → 新文件交付（保留旧版本，命名加 -慢速）。
运行环境
- 脚本：
scripts/voiceover.py（相对技能根目录） - Python：3.9+
- 第三方库：
edge-tts（pip install edge-tts） - 外部命令：
ffprobe
开工前先跑一次自检，缺什么当场补，别等跑到一半报错：
python3 -c "import edge_tts" 2>/dev/null || echo "缺 edge-tts，请执行 pip install edge-tts"
command -v ffprobe >/dev/null 2>&1 || echo "缺 ffprobe，请先安装再重试"
> 缺依赖时用中文告诉用户缺什么、装完就能用，不要把 Python 的英文 traceback 原样贴给用户。
