旁白成片

旁白成片里决定一切的是稿子与声音：稿子的长度定了成片的时长，声音的一致定了观众信不信这是一个人在说。顺序：

1. 先量语速，再算字数，再写稿（第 1 节）。
2. 稿子按句分行，怎么说与说什么分开写（第 2 节）。
3. 选一个能锁住音色的声音，一套说明一次合成，记下种子（第 3 节）。
4. 量出来、查接缝、只重配不合格的句子；不靠变速凑时长（第 4 节）。
5. 画面剪到旁白上（第 5 节）。
6. 验收（第 6 节）。

第 3 节「用户自己录」一条受「大师的AI小灶」（@dashiAIxz）分享的剪辑经验启发：合成配音跟本人的语调与情绪差距大时，改用本人录音。

1. 先量语速，再算字数

• 尚无当前配置样音、需要先起草时，用 skills_read 读 baocut-catalog-voice-language-rates：按目标语言的 Unit 与 Rate 估首稿预算，再用下面的实测修订。表内包含完整语言数据、校准条件与未列语言的兜底；不用为了查表先合成音频。
• 字数不是猜的：先让要用的模型与音色念一小段有代表性的稿子，带同一套语气说明，用结果里的时长算单位/秒。已有同配置、同语言与相近风格的样音时复用，不重复生成。
• 计数方式跟着目标语言走：中文等适合按字计的稿子按字，有明确分词习惯的语言按词；其他语言或混合语言采用一致、可复算的字符或分词方法，用同一方法计样音与全稿，不回退成英文语速。数字、缩写按实际读法计，不计舞台说明与标点。
• 用样音总时长算平均语速时，单位预算 = 可用于旁白的秒数 × 实测单位/秒，停顿已包含，不重复扣除。若按对齐时间单独量发声语速，则 单位预算 =（可用秒数 − 预计停顿秒数）× 发声单位/秒；不能把秒直接从字数里减掉。外部语言速率表只能起稿参考，换模型、语言或表演后重新校准。
• 写超了就在允许改写的范围内压缩，不靠加速。用户要求逐字朗读时保留原稿，说明它与时长预算的冲突，不擅自删句。
• 时长是目标不是配额：稿子念出来 55 秒就交 55 秒，不用填充、循环或变速把它拉到 60。

2. 稿子怎么写

• 一句一行，一句一个意思，句末用句号、问号或叹号收住：合成引擎按这些标点切句与停顿，字幕也按这些断行。不用分号把两句连成一句。
• 数字、年份、缩写写成读法（「二零二六年十月一日」「每秒三十帧」）；多音字与专名先看 models_capabilities 里要用的语音模型的 readings（本机模型在 local.readings 下；在线模型没有这个字段，当 unsupported）：annotated 的认读音标注（<银行|yin2 hang2>，写在 speak 的文本里）；unsupported 的（本机的 qwen3-tts 就是）没有读音通道，标注会按表面文字念出来，这时改成读法写法（换同音字、拆成读得对的词），不写标注。
• 梗与吐槽放在事实句之后、单独成句，节奏靠句子长短与剪辑切换，不靠让声音念得更快。
• 怎么说与说什么分开：语气说明只写语气、场景、角色（「年轻资讯主播，明快自然，吐槽时带一点笑意」），不写台词；台词里不夹括号注释与舞台说明。模型能响应时可要求「缓慢安抚」「急促兴奋」等表演语速，不能用它承诺精确秒数或挽救超长稿；先定表演，再按第 1 节实测预算。「剪辑节奏快」不自动等于「声音念得快」。

3. 选声音，一次合成

• 多句旁白优先选有参考录音锚定的音色：用户库里已授权克隆的音色（library:<id>），或 models_capabilities 里 voices[].source 为 builtin 的内置音色。它们每一块都对着同一段参考录音生成，音色稳得住。
• source 为 model 的预置说话人（能接受语气说明的那类本机模型）每块独立采样，块与块之间音高会漂 3–5 个半音，听起来像换了人：只用在 60 字以内的短旁白，或用户点名要它时——这时在报告里写明这个风险。在线模型按它自己的说明。
• 全片一个角色就一个音色、一套语气说明；模型不接受语气说明时只靠选音色。
• 整段一次提交（或按段落、几百字一段），不要逐句提交：引擎自己按句切块、统一块之间的停顿与响度；逐句提交不会让音色更一致，反而把总时长拉长、每字变慢。逐句只用于重配某一句（第 4 节）。
• 模型接受 seed（acceptsSeed）时给一个固定的 seed 并记下来；重配某一句时只换那一句的 seed，其余不动。不收 seed 的模型（在线的多半是）没有这一手，重配按第 4 节整段来。
• 结果带 video 时是候选素材，还不在时间线上；合成完先量（第 4 节），再放。
• 用户自己录：用户在意旁白像不像自己（语调、情绪），或手上已经有录音时，用录音不用合成：合成音色的语气常跟本人差得远，克隆音色也只锁得住音色。稿子照第 1、2 节写，语速改按用户本人实测（请用户先念一小段试读来量），按句分行交给用户念；录好后 assets_import 导入，时长以录音为准；第 4 节的对齐与查接缝照做，过长的停顿剪掉静音，念错或语气不对的句子请用户补录那一句，不拿合成的句子拼进去；第 5 节照旧。

4. 量出来、查接缝、重配

• 量：结果的时长取自结果里的媒体事实，对照预算。超了按第 1 节判断是否允许压缩，再重配那一段，不改时间线速度；短了照实交。
• 对齐：把旁白素材转写得到每个字的时间（transcribe 给旁白的 asset，语言断言为稿子的语言）；字幕与切镜都用这份时间，不凭感觉估。要选词时间为 native 的模型：先看 models_capabilities 里转写模型的 wordTimestamps，默认模型是 none（如 MOSS）时显式给 model（本机如 qwen3-asr），不然拿不到字时间；acceptsHint 为 true 的模型才在提示里放专名。不等结果（jobs_wait 之后）时，转写文档的 id 在任务结果的 pipeline.summary.documentId，用 documents_read 读。识别错的字（同音字、专名）在建字幕前用 edits_apply 的 updateWords 改回稿子的写法，词的时间不动（做法用 skills_read 读 baocut-catalog-subtitles 的「润色写回」）。
• 查接缝（量出来的）：用对齐后的字时间与第 1 节的计数方法算每句的单位/秒与句间停顿。偏离中位数超过 15% 的句子、超过 0.8 秒的句间停顿，是重配或剪掉静音的候选。
• 重配一句：只对那一句 speak（同音色、同说明、换 seed），用对齐时间在时间线上替换那一句的范围；模型不收 seed 时单独重配的一句常接不上原段的语气与响度，段不长就整段重配、整段重新对齐、重建字幕；新句比原句长时按第 1 节处理文本与时长的冲突，不变速。
• 改稿只动改到的段：稿子改了一段或插进一段时，只重配、重新对齐那一段；没改的段落沿用原来的录音与字时间，不整片重配、重转写。
• 听（要人听的）：导出旁白里 2–3 处 5 秒的片段（每处跨一个句子边界）给用户听，问的是「像不像同一个人」「停顿自然不自然」。你自己听不了时在报告里如实写「没听过」，不把「量过」写成「听过」。
• 时间线上不给旁白加变速：变速保音高但会改变语速与停顿的比例，让本来的快慢差更明显；翻译配音流程里对齐用的小幅变速是那条流程的事，不在这里用。

5. 画面剪到旁白上

• 旁白一条轨，先放好、量好，再按旁白里句子的起止排画面：一句一个镜头或一组镜头，切点落在句间停顿里，不切在字中间。
• 画面从哪来：用户的素材优先（用户的视频里讲到同一件事的片段，用 space_search_v2 按这句旁白的意思找，kinds 给 ["speech"]；要的是画面本身（某个场景、物件、动作）时，channels 给 ["visual"] 写画面描述找，或对选定的素材视频用 videos_match_frames；weak 的先看画面再用；用户刚给、还没有画面索引的素材按 baocut 主 skill 的做法先建）；讲概念、比喻、场景的句子没有素材时，可以按句或按一组句子各生成一张静图（比例按画幅，画面里不要字，全片用同一段风格说明，生成时带上 video，怎么调用用 skills_read 读 baocut-catalog-media 的「生成图片」）；文字、数字、步骤与图表用代码画面（用 skills_read 读 motion-graphics）。静图不会动，一张不要停太久，配转场或镜头取短；讲到真实的产品、人物、数据时用真实画面，不拿生成的图冒充。
• 配乐在旁白下面压低（setDucking，触发选旁白所在的轨道），音效落在句子之间（用 assets_sfx 合成，配法用 skills_read 读 baocut-catalog-music 的「音效」）。要配乐时用 skills_read 读 baocut-catalog-music：用户给了音乐就用用户的，否则本机能生成就生成纯音乐，模型包没下载时照那一页提议下载；旁白量好、成片时长定了就提交，生成期间做画面。旁白片的配乐要稀疏、动态平稳、不抢人声，收尾 2–3 秒平滑淡出，不在最后一句话中间收掉。
• 字幕按旁白稿分行，不按识别结果的断句；用对齐得到的字时间。

6. 验收

• 稿子字数在预算内；成片时长与旁白时长一致（差额是片头片尾）。
• 旁白只有一个音色、一套说明，用的 seed 记录在报告里；选了预置说话人时写明了风险；用的是用户录音时写明。
• 每句的字/秒与停顿量过，异常句处理过或在报告里列出。
• 报告分三栏：量出来的（时长、字/秒、停顿）、看过的（切点、字幕位置）、要人听的（音色一致、停顿自然、与画面的呼吸）。