多角色 / 对话配音（Multi-voice Dubbing）

把「多人对话 / 多角色脚本」合成为多声线音轨, , 每个角色一个符合其人设的声音， 不再是「全程一个声音」。核心引擎 skills/shared/scripts/multivoice.py： 逐行调 tts.py（edge-tts 免费多音色）或 voice_clone.py（云端表现力 provider / 克隆音色）合成， 把每行 emotion 喂进 provider 的真情感通道，ffmpeg 拼成一轨 + 生成对齐的说话人字幕。

创意（谁说什么、什么情绪）由你 LLM 产出；音色映射在 cast。确定性 IO（逐行合成/拼接/字幕）走引擎。 产物 voice.mp3 可直接当 narration 喂 auto-short-video/assemble.py 或加进任意视频；voice.srt 是带角色名的字幕。

配音质量分层（重要：治「像 AI 平读」）

edge-tts 没有情感引擎，只能变速变调，再怎么调也像机器平读。要"像人"必须用有情感通道的云 provider（用户自备 key，无需 GPU）：

引擎（cast 里 engine）	质量	需要	情感机制
edge（默认，免费兜底）	⚠️ 平、机器感，仅供草稿	无 key、外网	仅 rate/pitch/volume 微调
clone+openai-compatible→SiliconFlow CosyVoice2（推荐）	好、中文自然	VOICE_API_KEY（便宜/新用户赠额）	内联 <|endofprompt|> 指令
clone+gemini	好、真免费	GEMINI_API_KEY（Google 免费层，国内需代理）	自然语言前缀
clone+minimax / dashscope	好、有情绪	各家 key	emotion 枚举 / instruct

推荐 SiliconFlow（云端 CosyVoice2、无需 GPU、中文最稳）配置落 .env：

VOICE_PROVIDER=openai-compatible
VOICE_BASE_URL=https://api.siliconflow.cn/v1
VOICE_API_KEY=<你的key>
VOICE_MODEL=FunAudioLLM/CosyVoice2-0.5B
VOICE_INSTRUCT_MODE=inline

cast 里角色：--engine clone --provider openai-compatible --voice-id FunAudioLLM/CosyVoice2-0.5B:alex（8 音色 alex/anna/benjamin/…）。

• 逐行 emotion 自动驱动演绎：lines.json 每行的 emotion（愤怒/崩溃大哭/冷笑/温柔…）→ 引擎按 provider 转成对应情感参数。写具体越贴戏越好。
• 想要「像人」→ 至少给主角/关键角色配一个云 provider（engine=clone）；配了 key 才有情绪，没 key 自动回退 edge（平）并告警。
• provider 配置见 voice_clone.py 头部（各家 env）；voice_clone.py check --provider <名> 离线校验 key 是否齐。

谁会用到

短剧对白（short-drama 已内部委派）、论文双人问答讲解（paper-explainer：主讲+提问者）、 访谈/播客脚本、有声剧、任何「多个说话人」的口播。单人整段口播用 tts-voiceover 即可。

输入

字段	必填	说明
cast.json	是	选角表：每个说话人 → 音色（edge 音色 + pitch/rate，或克隆音色）。含「旁白/主讲」条目
lines.json	是	逐行对白：有序 [{speaker, text, emotion}]（speaker 用 cast 里的名字；emotion 如 冷/怒/紧张/温柔，自动匹配语气）
输出路径	否	voice.mp3（默认与调用方约定）；voice.srt 同名