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