Video Voiceover Agent Skill

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. 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

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> \
  [--tts-provider auto|mimo-tts|fish-audio] \
  [--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。
• auto 优先使用已配置的 MiMo，MiMo key 缺失且设置了 FISH_API_KEY 时使用 Fish Audio；需要可复现的 provider 选择时显式传 --tts-provider。
• Fish Audio 直接请求 WAV；默认使用“娱乐扒妹”音色（5653cea4ac83480aaf2bf45406556185），FISH_TTS_REFERENCE_ID 可覆盖。模型、音色 ID、API URL、动态语速或归一化设置变化时会重新生成缓存。当前免费模型无 SLA，受 Fair Use 和官方免费期限约束。
• --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。
• Fish Audio 路径不接受本地 --voice-ref；使用已创建的 FISH_TTS_REFERENCE_ID 选择音色。