| name | video-voiceover |
| user-invocable | false |
| description | 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）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。 旧版直接剪辑路径也可显式传入 narration_mapped.json。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。
当前唯一引擎是 MiMo TTS（mimo-v2.5-tts）。
2. 环境要求
export MIMO_API_KEY=***
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。
脚本不从其他技能目录读取文件；外部输入仅限命令显式传入的稿件、音频、参数与 work_dir 产物。
3. 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。
编排式 cut 流程直接使用输出时间的 narration.json。只有旧版直接剪辑路径需要显式传入
narration_mapped.json。
4. 运行命令
python3 scripts/voiceover.py --work-dir <work_dir> --narration <narration.json> \
[--mimo-voice 冰糖 | --voice-ref <reference-audio>]
单独运行且省略 --narration 时，默认读取 work_dir/narration.json。旧版路径如需映射后的稿件，必须显式传入：
python3 scripts/voiceover.py --work-dir <work_dir> \
--narration <work_dir/narration_mapped.json>
5. 输出契约
tts_segments/*.wav：每段旁白对应一个音频文件。tts_meta.json：包含 segments、engine 与 narration。每段记录 audio_path、时间、
pause_after_ms 和放置字段。- 干净运行写入
partial: false 与 failures: []。
- 使用
--allow-partial-tts 跳过失败段时，写入 partial: true 和
failures: [{index,start,end,text,error}]，让缺失语音保持可见。
6. 运行规则
- 重跑只复用内容与 TTS 设置均匹配的分段音频；修改旁白或合成参数后，只重生成受影响的 WAV。
--voice-ref 仅用于 full/cut 解说克隆，切换到 mimo-v2.5-tts-voiceclone。仅在确需新合成时惰性规范化一次；- dub voiceclone 原始 WAV 也会用模型、提示、台词和参考音频指纹缓存；匹配重跑不再重复请求或计费，
dub_manifest.json 逐行记录 tts_cache=hit|miss；
参考音频内容或预处理指纹变化会使旧缓存失效。仅在获得授权后使用，参考音频会发送到 MiMo。
TTS_WORKERS、TTS_TIMEOUT、TTS_RETRIES、ALLOW_PARTIAL_TTS 用于调整并发、超时、重试与部分成功策略。- dub 模式有独立的确定性门禁：
dub_lint.json 会在语音克隆前阻止空行、重叠或越界译文；
dub_review.json 用于记录忠实度、语气、时长和平台适配复核。可通过
dub.py --stage lint|review 或 dub.py --print-schema 单独调用。
7. 能力边界
- 不撰写或修改旁白文本。
- 不混流、不压低原声、不渲染字幕。
- 不分析视频，也不选择时间点；只为输入稿件中的既定分段配音。
