wjs-voicedrop-reading-aloud
文字 → 有声书 mp3。不是照字面念，而是先编排：不同性质的内容换不同声音，关键转折处加语音指令，然后用火山引擎豆包 seed-tts-2.0 合成。
合成工具：~/code/volcano-tts/tts.py（先 source ~/code/.env）。
铁律
- 绝不把带【】/[ ] 标注的文本直接喂裸 API —— 裸 API 会把标注原样念出来（实测实锤）。永远走
tts.py，它把标注切段转成context_texts语音指令。 - 只能用 2.0 音色（
_uranus_bigtts后缀） —— moon/mars/tob 音色在 seed-tts-2.0 资源下报错resource ID is mismatched。 - 合成前把编排好的朗读脚本给用户看一眼（除非用户说直接出）——编排是再创作，声音分配和指令值得确认。headless/自动化场景跳过此步。
工作流
1. 取内容并认真通读
- 纯文本/文件：直接读。
- URL：WebFetch；SPA 页面（如 docs.volcengine.com）用 browse skill 渲染后取正文。
- VoiceDrop 文章：voicedrop MCP 的
read_article。
通读时标记出：正文叙述 / 直接引用（引号、blockquote）/ 大白话吐槽与内心 OS / 数据、列表、表格 / 标题与小节。
2. 编排重写成朗读脚本
这是核心步骤，是重写不是转录：
- 去掉一切视觉残留：markdown 符号、链接、图片说明、脚注编号。
- 表格、列表、数据改写成口语句子（「三个原因：第一…」）。
- 标题不逐字念，化进过渡句，或用停顿+换气带过。
- 太书面的长句改口语，但保留作者的用词风格。
- 按内容性质分配音色（见音色表）：正文一个主声贯穿；引用换引用声；吐槽/大白话换插话声。声音切换是给听众的「格式信号」，等价于视觉上的引用块。
- 不要频繁换声：一般 2~3 个声音封顶，切换只发生在内容性质真正变化处。
3. 加语音指令（克制）
在句前加 [心理活动、细腻表情、肢体动作等描述]，如 [放慢，一字一顿，点出要害]。
- 只在需要的地方加：情绪转折、节奏变化、重音、引用的口吻模仿。平铺直叙的段落一个不加，靠全局指令兜底。
- 经验密度：每 3~5 句最多一处；一段平静的叙述可以整段没有。
- 每处标注就是一次切段（一次 API 调用+拼接点），切太碎会让语流变散。
- 标注写成对朗读者说的表演提示（心理活动/表情/动作皆可），不要写成对听众的说明。
- 指令要戏剧化、情绪化才有效（实测）：模型对情绪/音色类指令跟随很强（哭腔、耳语、亢奋大喊、像法官宣判、+50% 时长级别的变化），对含蓄舞台提示（「语气一沉」「带一丝惋惜」）和机械精确指令（「停顿一秒」「放慢一倍」）跟随很弱。写法上宁可夸张：「请把声音压到接近耳语，凑近话筒，像说破一个秘密」远强于「压低声音」。
4. 朗读脚本格式（tts.py --script）
# 注释行
@voice narrator zh_male_yuanboxiaoshu_uranus_bigtts
@voice quote zh_male_yizhipiannan_uranus_bigtts
@voice casual zh_male_fanjuanqingnian_uranus_bigtts
@narrator
[语气平静从容，像老朋友聊天]先讲一个真事。……他公开断言：
@quote
[带着当年的笃定与体面]股价已经站上了一个永久的高原。
@narrator
几天后，市场开始了最惨烈的下跌。
@casual
[像随口吐槽]这人判断力真差。
5. 合成与验收
source ~/code/.env
python3 ~/code/volcano-tts/tts.py -f script.txt --script -o out.mp3 \
-i "这是一段有声书朗读，自然口语化，像讲故事，不要播音腔"
-i全局指令必带，定整体基调；--speech-rate、--subtitle（字级时间戳）按需。- 验收：
afinfo out.mp3看时长是否与字数匹配（中文约 4~5 字/秒）；如首次改动过工具或有疑虑，用~/.claude/skills/wjs-transcribing-audio/scripts/volc_asr_stream.py抽查一段，确认标注没被念出来。 - 用 SendUserFile 把 mp3 发给用户。
音色表（已实测可用，全部支持语音指令）
| 用途 | voice_type | 名称 |
|---|---|---|
| 旁白主声（男，默认） | zh_male_yuanboxiaoshu_uranus_bigtts | 渊博小叔 |
| 旁白主声（女，备选） | zh_female_zhixingnv_uranus_bigtts | 知性女声 |
| 旁白（对话感/播客感） | zh_male_shenyeboke_uranus_bigtts | 深夜播客 |
| 解说腔 | zh_male_cixingjieshuonan_uranus_bigtts | 磁性解说男声 |
| 引用/名人语录/译文 | zh_male_yizhipiannan_uranus_bigtts | 译制片男 |
| 大白话/吐槽/内心 OS | zh_female_shuangkuaisisi_uranus_bigtts | 爽快思思（用户定：大白话用女声，与男声旁白区分） |
| 大白话（男声备选） | zh_male_fanjuanqingnian_uranus_bigtts | 反卷青年 |
| 通用女声 | zh_female_vv_uranus_bigtts | Vivi |
更多 2.0 音色：https://www.volcengine.com/docs/6561/1257544 （只认 _uranus_bigtts 后缀）。
常见坑
- 指令悄无声息不生效（听起来全一样） → 三个已实锤的坑，
tts.py均已修复：①context_texts/section_id必须嵌在additions（JSON 字符串）里，放req_params顶层被静默忽略；②context_texts传多条时只有第一条生效——段内指令必须独占一条，不能「全局+段内」并列（全局排前面会把段内全顶掉）；③ 转述包装（「按照这个指示朗读：X」）会稀释效果，标注原文直发最强。怀疑时用「极慢哭腔」指令 A/B 对比时长（应 +25% 以上），基线合成是确定性的（同句同参时长完全一致），差异小于 5% 即未生效。 - 标注被念出来 → 忘了走
tts.py的标注解析，或用了它不认的括号格式（支持【】与[ ]）。 resource ID is mismatched with speaker related resource→ 用了非 2.0 音色。- 输出中间语气断裂感明显 → 标注切段太碎，合并标注、减少切换。
- 听到「星号」「井号」→ 编排步骤没洗干净 markdown（tts.py 未开 markdown 过滤，靠编排时清除）。
