视频与音频

配音与音频

配音、字幕与铺底音乐，含真人感硬指标。

付费 $29 · 原价，2026-12-31 前 $23 · 单个技能，买断。大纲、步骤和技能文件在购买后开放。

背景描述

本轮《잘 지내》韩语 10 秒片实测结论：成片的韩语人声不是 TTS 出来的， 而是 Seedance 生成视频时同一次推理产出的原生音频（对白 + 环境音一次出）。 反向转写复验为 ko 置信度 0.98，内容与台词逐字一致——模型真的在说韩语。

• 为什么优先：音画同步由模型自己保证，不用做口型对齐；省掉一道 TTS + 时长贴合。
• 代价：不可分离控制，容易自动加戏，静场戏可能随机冒人声 → 关键镜仍需人工听。
• 写法：提示词只写「场景 + 环境声 + 逐字台词」，不要描述人物

（描述人物会触发真人检测，被拒后同一张图去掉人物描述即可通过）。

• 什么时候回退到 TTS：需要跨镜统一音色、需要逐句精确控制停顿、

或模型不给该语言时。此时走 Kokoro 多语（草稿级）或云端可商用方案。

中文一律优先豆包（火山引擎）。 用户实测反馈：ElevenLabs 即便是声库里的中文母语音色， 听感仍是"外国人讲中文"，因为底层是多语言通用模型，韵律与语气习惯是英文优先。 豆包是字节的语音技术（剪映、即梦同源），从训练数据就是中文，差距换音色解决不了。

不要用 Kokoro 交付中文成品——82M 参数，语调平直无呼吸，用户明确评价"像机器人"。

运行时固定在 D:\codex-audio（必须纯英文路径，见坑位 1）。 Python 环境：D:\codex-audio\venv\Scripts\python.exe 凭据：ELEVENLABS_API_KEY 已配置在环境变量（User 作用域，脚本会自行读取，无需手动设置）。 账号为 free 档：额度有限、无商用授权、不支持声音克隆——下单前务必 --quota 确认。

为什么这么做

技能开头先给语言路由表，之后才出现合成命令。先按语言定引擎，再挑音色：中文走豆包 TTS 2.0 的 say_volc.py，英文走 ElevenLabs，韩语日语交给视频模型的原生音频。顺序来自故障的位置。试过 Sarah、George、Lily 与云端最新模型，六段全被判为外国人讲中文；Kokoro 只有 8200 万参数，语调平直没有呼吸。中文口播因此默认 -s 6，不出基准版再返工。

验收值全压在一张表里，因为原话是完全机器人的感觉。混响干湿 15-30%、语速 4.0-5.5 字每秒、停顿 0.25-0.5 秒、一角色一个音色、音高错开 ≥15%、逐句合成。混响、停顿、生成粒度跟音色无关，换音色无用。§9 写明：转写只证明念对和语言对，像不像人只能人耳判断。

真实踩坑

• 中文路径让音素器静默回退 运行时目录带中文，espeak-ng 会静默回退到编译默认路径并报 phontab 错误，错误里显示的却是构建机的 D:/a/... 路径，看着像安装坏了。坑位 1 因此把运行目录钉死在纯 ASCII 路径。
• 1.0 音色配 2.0 资源 seed-tts-2.0 只认 _uranus_bigtts 结尾的音色。拿 _moon_ 或 _mars_ 结尾的 1.0 音色去调，返回 code=55000000；错误码速查表里这一行写的就是换音色。
• 十六秒的床铺盖不住长对白 豆包音频生成固定 16.6 秒，原始峰值约 -24 dB。直接铺底几乎听不见，用 concat 拼长会听到接缝。music_volc.py 内置归一化，循环用 acrossfade=d=2 串联，两步都不能省。
• 占位音混进成片 Windows SAPI、合成器 BGM、合成噪声、Kokoro 中文成品，这四种留在成片里一耳朵就是草稿或广告。§8 列进禁用清单，并要求 audio/provenance.csv 记来源与授权。

用法描述

AI 音频生产，双引擎：本地（Kokoro-82M，离线免费）+ 云端（ElevenLabs，真人感最佳）。 覆盖 (1) 中/英/韩等语言的配音合成（含"非中英语言走视频模型原生音频"的路由）、 (2) 音频/视频转写并生成 SRT 字幕、(3) 短片段音乐与氛围铺底生成， 并给出真人感硬指标（混响/语速/停顿/音色区分度）与音源台账红线。 当用户提到"配音""语音合成""TTS""生成字幕""转写音频""做段背景音乐""真人感" "像机器人""声音克隆"时使用。