Video Voiceover
把带时间戳的 narration.json 合成为中文解说音频。使用 MiMo TTS（mimo-v2.5-tts）或 Fish...
Install
npx skills add zenstory-ai/video-recap-skills --skill video-voiceover -g -a claude-code -y- Repository
- zenstory-ai/video-recap-skills601
- Category
- Media
- Updated
- 5d ago
- License
- MIT
- Context cost
- Lightabout 1,468 tokens
- Runs scripts
- Yes, review before use
What it does
把带时间戳的 narration.json 合成为中文解说音频。使用 MiMo TTS（mimo-v2.5-tts）或 Fish Audio（s2.1-pro-free）或显式配置的通用 IndexTTS HTTP 服务逐段生成语音， 按时间窗动态适配语速并处理响度；输入输出时间线上的旁白，产出 tts_segments 与 tts_meta.json。 外发说明：每段旁白文字会发给所选 TTS 服务（MiMo / Fish Audio / 用户自托管的 IndexTTS），--voice-ref 的参考音频会发给 MiMo。 另含实验性的英译中 dub 路径：只在显式选择 dub 模式并传 --confirm-voice-rights 时运行，会把源视频音频发到 MiMo ASR， 并以原说话人的声音为参考经 MiMo voiceclone 克隆配音；只可用于用户有权使用、且说话人同意被克隆声音的内容。 触发词：配音、语音合成、TTS、解说配音、 voiceover、text to speech、旁白配音。
1. 定位
本技能读取带时间戳的旁白稿，为每一段生成独立音频，并把语音适配到对应时间窗，随后记录下游合成所需的放置元数据。
默认引擎是 MiMo TTS（mimo-v2.5-tts）；也可显式选择 Fish Audio（默认模型 s2.1-pro-free）。
2. 远程服务与数据外发
本技能按所选 TTS 或 dub 路径联网。表中的实读文本指 narration.json 段落去掉格式与舞台提示后的文字。
| 路径 | 服务与凭据 | 发送内容 |
|---|---|---|
默认解说 TTS（--tts-provider auto|mimo-tts） | MiMo chat 接口 <MIMO_TTS_API_URL 或 MIMO_API_URL>/chat/completions，MIMO_TTS_API_KEY 或 MIMO_API_KEY，模型 mimo-v2.5-tts | 每段实读文本、一句自然语言语气/语速指令（由段的 emotion 与时间窗算出）、内置音色名（默认 冰糖）；auto 下 MiMo key 缺失且设置了 FISH_API_KEY 时改走 Fish Audio 行 |
解说声音克隆（--voice-ref <audio> / VOICE_REF） | 同上，模型 mimo-v2.5-tts-voiceclone | 上述内容，外加参考音频（转成 24 kHz 单声道 WAV，最长 30 秒）的 base64，每段请求都带 |
Fish Audio（--tts-provider fish-audio） | FISH_TTS_API_URL（默认 https://api.fish.audio/v1/tts），FISH_API_KEY | 每段实读文本、数值语速、音色 ID FISH_TTS_REFERENCE_ID；不发送本地音频 |
自托管 IndexTTS（--tts-provider index-tts） | 用户自己部署、由 INDEX_TTS_ENDPOINT 指定的 HTTP(S) 服务 | {"voice": INDEX_TTS_VOICE, "text": 实读文本}；不发送本地音频 |
| 实验性 dub（见 §8） | MiMo ASR（MIMO_API_URL，MIMO_API_KEY，mimo-v2.5-asr）与 MiMo voiceclone（TTS 接口与凭据，mimo-v2.5-tts-voiceclone） | 源视频整条音轨按 6 秒分窗送 ASR；每句中文译文连同从源音频截取的约 10 秒原说话人声音（克隆参考）送 voiceclone |
--voice-ref 与 dub 都会把一个真实人物的声音发给 MiMo 用于克隆：只在用户有权使用该音频、且声音主人同意被克隆时使用。
3. 环境要求
export MIMO_API_KEY=*** # 也可使用仅供 TTS 的 MIMO_TTS_API_KEY
# 或改用 Fish Audio TTS
export TTS_PROVIDER=fish-audio
export FISH_API_KEY=***
export FISH_TTS_REFERENCE_ID=<voice-model-id> # 可选；覆盖内置“娱乐扒妹”音色
# 或显式选择自托管 index-tts 端点，配置见 references/index-tts.md
export TTS_PROVIDER=index-tts
下面的 scripts/... 均相对于本技能目录。若执行器从仓库根目录启动，请给脚本路径加上本技能的绝对目录。
4. 输入契约
默认输入为 work_dir/narration.json。每段必须包含 start、end 与 narration，可选字段包括
pause_after_ms 和 overlaps_speech。时间统一表示音频最终放置的输出时间线秒数。
cut 流程先剪后配：narration.json 本身就是按剪后成片的输出时间写的，不存在另一份映射稿。
