kinema-audio

name	kinema-audio
description	设计 seed-audio-1.0 的声线描述和整章音频剧本。用户要定制音色、配乐、音效、逐句演绎，或把人声、音乐和音效一次生成并混好时使用。
metadata	{"kinema-managed-by":"agent/manifest.json","kinema-kind":"capability","kinema-status":"stable","kinema-version":"2.0.0","kinema-owner":"Kinema","kinema-source":"workspace","kinema-trust":"first-party","kinema-digest":"sha256:05dfe5909bc1b32db0e644f002f3750656702b8a6807d5902bda6db95f2a716a"}

kinema-audio · 音频剧本写作

这份 skill 管「声音的提示词怎么写」，不管流程——流程仍在 ../kinema/SKILL.md（节点③ 配音）。

服务它的模型是 seed-audio-1.0：吃一段自然语言 text_prompt，吐一条已经混好的 音轨（人声 + 音乐 + 音效同在一条里）。这与固定音色 TTS 是两种东西——那边你给它文本、 它念出来；这边你给它一场戏、它演出来。

硬边界（写之前先知道）：单次输出 ≤120 秒；最多 3 条参考音频（每条 ≤30s、 ≤10MB）或 1 张参考图片（≤10MB），音频参考与图片参考不能混用；text_prompt ≤3000 字符。

---

一、五段式结构

范例读下来结构高度一致，按这五段写就不会散：

① 声线定义段（每个说话人一行，写在最前）

男子1 是中青年男性，标准普通话，嗓音低沉，浑厚，富有磁性，气泡音，成熟
太后 是 55 岁左右的中年女性，嗓音端庄优雅，威严
调查员 是 35 岁左右的青年男性，声音温和，轻微鼻音，TVB 普通话，探案类电视剧风格

五个维度，缺一个就少一层控制：年龄段 · 性别 · 口音/语言 · 音质（低沉/沙哑/明亮/ 偏尖细/气泡音/略带鼻音）· 气质（成熟/威严/张扬/谦逊/温柔/凶狠冷酷）。

写法纪律：

• 用可听见的物理属性，不用评价词。「好听」「有魅力」模型渲染不出来， 「嗓音低沉，略带沙哑，气泡音」可以。这条与写画面提示词的反主观词铁律同源。
• 角色名要在后文逐句复用（「男子1 用严肃的语气说道」），名字是绑定声线的锚。
• 一个人物一行，行与行之间不空行；整段与下一段之间空一行。

② 音乐描述段

音乐以马林巴为主奏乐器，加入 pad 铺底、弦乐组、合成器 lead、电贝斯、打击乐，
整体情绪紧张悬疑。

配器 + 织体 + 情绪三件。进阶写法：

• 写清主奏与铺底的分工（「竖琴主奏，电子合成小提琴演奏高音作为 pad」）；
• 音乐的变化点单独起一句，并说清落在哪句台词前后 （「此时音乐转变，竖琴主奏……」「伴随着一阵警报声，音乐停止。」）；
• 要它安静就明写「音乐停止」——不写它会一直铺。

③ 逐句演绎段（正文主体）

男子1 用严肃且带有质问的语气说道："钟 sir，你是什么时候被收买的？"
男子2 通过电话回应，声音经过处理，显得有些遥远和失真，他用一种平静而无奈的语气说："……"

骨架恒为：谁 + 怎么说 + 说什么。

• 「怎么说」写语气 + 音量/语速的变化 + 生理细节（先吸一口气、结尾呈现气声、 略微吞口水、强忍哭泣的吸气、声音因愤怒而拔高、语速变慢有些磕巴）。
• 音效缝进句子里，不另起清单：用「伴随着 / 夹杂着 / 紧接着 / 句首 / 句尾 / 期间」 把它挂到台词的时间位置上—— 「伴随着一声金属质感类似刀光『唰』的特效音」「句尾伴随着几声布鞋急促的跑步声」。
• 拟声词加引号能显著提高命中率：类似"咻"的法术闪过特效音。
• 转场、环境底噪、群众杂音都当"一句"写（「然后出现一声类似『呼』的风声转场特效音」）。

④ 时间控制（可选，但对做视频极重要）

广告播音员语速慢、平缓地说道：[2.7s:5.7s]"美丽的旅程，值得一个璀璨的开始。"

在台词前加 [起s:止s]，模型会按这个时间轴演。

这是音频剧本能对齐分镜的唯一手段。把每镜的 dur 累加成秒段写进去， 生成的音轨就落在画面的节拍上，画面一帧都不用改。方法论与 kinema-sketchboard 把 beats 编译成「第几秒干嘛」发给视频模型完全同构—— 一个编画面时间轴，一个编声音时间轴。

纪律：秒段之间留呼吸（别首尾相接排满）；改了分镜时长，秒段必须同改。

⑤ 参考绑定（可选）

女主 是青年女子，普通话，音调偏低，有些沙哑，饰演者为【参考录音1】

【参考录音N】 对应 references 数组里第 N 条音频（顺序即编号）。 用于"要这个人的声音"。图片参考走另一条路（按形象气质造声音）， 与音频参考互斥。

记号对照：引擎自动追加的绑定行用 @音频N（_score_anchor 拼的那一行， 见第四节示例），与本节手写剧本的 【参考录音N】 是同一件事的两种写法 ——都按 references 数组下标对位。走 score 命令时参考音由引擎随请求 附带并自动编号，手写剧本时绝不要自己贴任何参考音记号：编号与引擎 实发的数组顺序对不上，声音就派给了别人。

---

二、四种生成模式（对应引擎的 doubao 适配器）

模式	怎么触发	用在哪
纯文本生成	只给 text_prompt，不发 speaker（引擎 prompt_only=True）	定制生成造音色：voice custom 出的那批候选走这条
固定音色	speaker = 豆包 2.0 音色 ID	拿官方音色演一段带音效的戏
参考音频	audio_data / audio_url / references[]	音色锚定：立档后全片每句都用它，这是不漂移的唯一办法
参考图片	image_data / image_url	按形象气质造声音；不能与音频参考或 speaker 同用

---

三、给「定制生成」写声线（当前落地范围）

voice custom <项目> --name <角色>|--narrator --prompt "<声线描述>" 的那段描述， 就是第 ① 段。引擎会自动拼成：

<角色名> 是<你写的声线描述>

<角色名>说道："<试听台词>"

所以你只写第 ① 段的内容，不要自己带角色名和台词。描述按六槽位写 40~80 字 （性别年龄段 / 音区明暗 / 音质质感 / 语速节奏 / 口音吐字 / 气质，不写情绪词），槽位表与 范例见 kinema/references/voice-casting.md 铁律 3；下表是从人设推各槽位的取材口径。

按人设推声线的对照（从 characters[] 的文字设定推，别凭空想）：

人设线索	落到声线描述
年龄/身份（少年、老者、帝王、匠人）	年龄段 + 气质（张扬 / 苍老沉稳 / 威严 / 谦逊）
出身地域、时代	口音（标准普通话 / 港式普通话 / TVB 普通话 / 轻微东北口音）
身体状态（旧伤、烟瘾、久病）	音质（沙哑 / 气泡音 / 略带鼻音 / 气声偏多）
性格（隐忍、暴烈、疏离）	语速与音调（语速偏慢 / 音调稍低 / 吐字清晰有力）

怎么挑：同一段描述会生成 N 条演绎（生成式，每次都不同）。挑的判据不是 "哪个好听"，而是哪个最像这个角色——听完问一句「这个人会这样说话吗」。 voice use --custom --no N 选中的那条音频就是这把音色本身，之后全片每句都拿它 当参考音，所以选错了不是"换个候选"，是整个角色的声音都不对。

选中即立一条音色档案（音频落 assets/voices/casts/，此后不再改动）：挑错了、 或想听听上一版，voice bank <项目> 看档案、voice use --cast vc_NNNN 换回去， 两版都留着。已经有分镜用某把声音配过音时，那条档案删不掉——引擎会点名是哪几镜。

---

四、章节级：整片音频剧本（audio_mode: scored）

把整章的人声、配乐、音效交给音频模型一次生成，回来的是一条已经混好的成品轨。 它与缺省的「逐镜 TTS + BGM + 音效三轨确定性混音」是互斥的两条路，章节顶层 audio_mode 仲裁（tracks 缺省 / scored），与 motion（画面路线）正交。

4.1 先决定走不走这条路

	tracks（缺省）	scored（音频剧本）
声音	固定音色逐句合成 + 曲库 BGM + 音效，引擎按数值混音	模型按剧本一次演出并混好
改一个字	tts --force --only 3，只重配那一句	整段重生（最小粒度是段，不是句）
稳定性	确定性，重跑一模一样	生成式，每次演绎都不同
表演	语气靠 emotion 档位	自然语言直接导戏，上限高得多
计费	按字符	按秒（单段可达 115 秒）

判据：要可控、要能逐句返工、要多集音色一致 → tracks。 一整场戏的对白／配乐／音效需要浑然一体、且愿意接受"重来就是另一条"→ scored。

切过去会失去什么，先说清楚再切：这一章不再跑 tts（needs_tts 为假）， 没有逐镜 wav，tts --only、逐句 retake、配音审阅那一整套都不在这条路上； 合成段也不再叠 BGM、不做闪避——让路 EQ 与 sidechain 那一层模型已经替你做完了。 确需在整轨之上再铺一层曲库 BGM，在章节顶层显式写 scored_bgm: true（缺省关闭， 引擎绝不自作主张叠加）。

转场音效不归剧本接管：scored 让开的只有 BGM／逐镜旁白轨／闪避三路， 转场镜的引擎音效与特效环境音照常叠加。段的接缝恰好落在转场镜上，剧本段尾 若已写了转场声（whoosh／riser 一类），要把那个转场镜的音效置 sound: off （网页转场卡可改），否则两声叠响。

4.2 分段：转场镜就是段界

每个转场镜收一段（audioscript.plan，指挥层不自己切）：转场即场景切换， 一段戏在那里收束，音乐在那里重新起头是正常听感；转场镜归前一段作收尾， 章节以字卡/黑场冷开场时，开场转场归第一段开头（不切空段）。

• 分几段 = 转场把整章隔成几幕，一幕一段、一段一条完整音轨；
• 段界只认转场——切在一段连贯的戏中间，观众会听到音乐莫名其妙断一次。

单段另有硬上限：单次输出 ≤120 秒（引擎按 115s 留余量）。两转场之间超了 115s，引擎不硬切，而是点名让你在那段中间补一个 transition add—— 在一句台词中间断开比多花一次调用更糟。

先看分段（零成本，一个请求都不发）：

python3 -m kinema score --chapter x/<ch> --dry-run

它给出几段、每段哪几镜、每段多少秒、哪些段剧本还没写、这一次真发几段多少钱。

4.3 剧本不是手写的：引擎起稿 → 你改写

先起稿，别对着空框写：

python3 -m kinema score --chapter x/<ch> --draft     # 零成本·不调模型·已写的段不覆盖

引擎按分镜确定性拼出声线定义段 + 逐句「谁·[段内秒段]·台词原文」——它只做 能确定的那部分，而那恰好是最容易错、错了最贵的两件：台词逐字取 narration/lines （字幕与它同源，差一个字成片就是「念的和写的不一样」）、段内秒段按各句字数比例切 （每段各自一次请求、模型时间轴从 0 起，手算必错）。声线描述取材两级： 取在用那把定制音色的原话（造出这把声音的那段描述）→ 没有则给中性底并点名给你。

你的活是在底稿上改写，不是重写：

音色不用你在剧本里操心：凡是已经启用过音色（voice use，模版或定制都算）的 说话人，引擎发请求时会把那把声音的参考音一并带上，并在正文最前面补一行文案与参考音 配套的绑定：

旁白 是55 岁左右的中年女性，嗓音端庄优雅，威严，饰演者为@音频1。

描述取的是注册过的那一份（在用档案登记的那段原话，判据 voicebank.voice_desc），与外部选定/ 定制时用的文案同源。两件缺一不可：只给参考音是给了声音却没给气质约束，只给描述则音色 每段重造——这条生成式路线不逐段漂移就靠这一行加那条参考音。

所以你只管把声线定义段写得贴人设，不要自己往剧本里贴参考音标记。单段最多锚三把 声音（接口上限），锚不上的引擎会点名，那几个人只能靠文字描述。

底稿已有	你要补
① 声线定义段（可能是中性底）	按 characters[] 人设改具体：年龄/性别/口音/音质/气质五维
③ 逐句台词 + ④ 时间控制	逐句语气与生理细节（吸气/停顿/音量变化）
—	② 音乐描述段（配器＋情绪，变化点单独起句）
—	句内音效（用「伴随着/紧接着/句尾」缝进台词，不另起清单）

网页入口在章节页「AU 音频剧本」台：「✎ 按分镜起草」填框（不落盘，改完点存稿）， 「⧉ 音频剧本指令」把底稿连同人设一起复制给 Claude Code。

剧本落在章节顶层 audio_script.segments[]，一段一条，条数必须等于分段数 （对不上引擎拒发——分镜时长或转场改过而剧本没跟着改，硬发出去只会烧钱出错片）。

改写时两条铁律：

1. 时间控制用「段内相对秒」，不是全片秒。 每段是各自一次请求，模型的时间轴 每次都从 0 起。引擎在分段表里直接给出逐镜的段内秒段（spans），照抄即可：

   第 2 段（90s）段内秒段：镜4 [0s:30s]　镜5 [30s:60s]　镜6 [60s:90s]
   →  旁白低沉地说：[1.2s:6.4s]"……"        ← 落在镜4 的窗口内
   

   照 start/end 的全片秒去写，第二段往后会整体偏移一整段的长度。

2. 台词逐字取分镜的 narration/lines，一个字都不许改。 字幕是从 narration 逐字渲染的，剧本里改一个字，成片就是"念的和写的不一样"。要改台词就改分镜， 改完剧本跟着改。

音乐与音效照第一节写：配器＋情绪一段，变化点单独起句并说清落在哪句前后； 音效用「伴随着／紧接着／句尾」缝进台词，不另起清单。

4.4 生成与返工

python3 -m kinema score --chapter x/<ch> --draft     # 起草（零成本），再按 4.3 改写
python3 -m kinema score --chapter x/<ch> --dry-run   # 看分段与报价
python3 -m kinema score --chapter x/<ch>             # 只补缺的段
python3 -m kinema score --chapter x/<ch> --only 2    # 第 2 段剧本改了，只重生这一段
python3 -m kinema assemble --chapter x/<ch>

幂等按段不按片：已在盘的段直接复用。改了某段剧本后普通重跑只告警不重生—— 这条路按秒计费，"自动跟上最新剧本"在这里等于自动扣款；要跟上就点名 --only N。

同一段连出几版挑一版（生成式模型每次演绎都不同，这是正常用法而不是返工）： 重生成前引擎自动把现存那版入段版本栈，--dry-run 的分段表会显示「当前 v00N（历史 M 版可切）」， score --switch <段号> --to-v N 切回任意一版——互换而非覆盖，来回切不丢任何一版， 切完引擎自动重拼整轨。网页在每段右上角「⏱ N 版」里逐版试听、一键切回。

网页入口是章节页的 「AU 音频剧本」台（与 3D 导演台、简笔分镜台并列的第三个工作台）： 逐段编辑框带段内秒段与字数计，一个按钮切路线，「⧉ 音频剧本指令」把分段坐标连同 写法要求一起复制给 Claude Code。

4.5 这一节最容易踩的四个

症状	根因	改法
第 2 段往后声音整体错位	时间控制写成了全片绝对秒	改成段内相对秒（照 spans）
引擎报「segments 有 N 段，而按转场切出来是 M 段」	改过分镜时长/转场，剧本没跟着改	重跑 --dry-run 看新分段，逐段补齐
改了剧本重跑，听着没变化	普通重跑只复用不重生（防重复计费）	score --only <段号> 或 --force
字幕与念出来的不一样	剧本里顺手改了台词	台词以分镜 narration 为准，两边同改

---

五、常见写坏的三种

症状	根因	改法
出来的声音平淡，像念稿	只写了声线、没写"怎么说"	每句补语气副词与生理细节（吸气/停顿/音量变化）
音效没出现	音效另起了一段清单，脱离台词	用「伴随着/紧接着/句尾」缝回台词的时间位置上
同一角色前后不像一个人	走了纯文本或 speaker 模式逐句合成	锁定一条参考音，全片走参考音频模式（引擎的音色锚定已默认这么做）

何时不用

定制是缺省路；模版是显式例外——要一把官方固定音色作账号品牌声纹（跨项目完全可复现）时， 走 kinema SKILL 的 voice audition → voice use，句级表演提示不进那条路。