Multi Voice Dubbing Agent Skill

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 |

执行步骤

1. 选角（cast.json）——读选角指南定音色

先读 skills/shared/references/voice-casting.md（音色→人物原型对照 + 同性别区分 + 旁白独立 + 情绪韵律）。

为每个说话人定一个符合其性别/年龄/气质/身份的音色，旁白/主讲单列且与所有角色不同：

python skills/shared/scripts/multivoice.py cast init  --cast <路径>/cast.json
python skills/shared/scripts/multivoice.py cast add   --cast <路径>/cast.json \
    --name 林策 --role male_lead --voice zh-CN-YunxiNeural --rate=-5% --pitch=-3Hz --note "冷峻男主"   # 负值参数用等号
python skills/shared/scripts/multivoice.py cast add   --cast <路径>/cast.json \
    --name 苏晚 --role female_lead --voice zh-CN-XiaoxiaoNeural --note "温婉女主"
python skills/shared/scripts/multivoice.py cast check --cast <路径>/cast.json    # 校验：音色有效/旁白独立/无撞音色

> cast.json 也可直接写（就是 JSON）。想让某角色像真人有情绪（治 AI 平读）→ 该角色用云 provider：

> `bash

> python skills/shared/scripts/multivoice.py cast add --cast <路径>/cast.json \

> --name 霸总 --role male_lead --engine clone --provider minimax --voice-id <你的音色id> --note "克隆/表现力音色"

> `

> 需在 .env 配对应 provider 的 key（voice_clone.py check --provider minimax）；缺 key 该角色自动回退 edge（平）并告警。

2. 逐行对白（lines.json）

把脚本 / 对话稿拆成有序逐行：

{"lines":[
  {"speaker":"主讲","text":"这篇论文解决了一个关键问题。","emotion":"平"},
  {"speaker":"提问","text":"等等，为什么现有方法不行？","emotion":"惊"},
  {"speaker":"主讲","text":"因为它们忽略了时序依赖。","emotion":"坚定"}
]}

speaker 必须与 cast 里的名字一致（不一致会回退旁白音色并告警）；emotion 可选。

3. 合成多声线音轨 + 字幕

python skills/shared/scripts/multivoice.py dub \
    --cast <路径>/cast.json --lines <路径>/lines.json -o <路径>/voice.mp3

产出 voice.mp3（每角色独立声线、情绪自动调韵律）+ voice.srt（带角色名，时序按逐行实测时长对齐）。

dub 会打印用了几种声线——确认 ≥2 种（多人对话不该只有一个声音）。

4. 用到视频里

• voice.mp3 作 narration + voice.srt 作字幕，喂 auto-short-video/scripts/assemble.py（图/视频合成）。
• 或与 BGM 混音（audio-mix）、加进已有视频（video-editing）。

降级

• 缺外网/edge-tts 不通 → 无法合成，如实告知（多声线依赖 edge-tts）。
• cast 指定克隆音色但缺 key/失败 → 该角色自动回退 edge 免费音色并告警，不阻断。
• 说话人不在 cast → 回退旁白音色并告警（建议补进 cast）。

Profile 感知

• 有 Profile：style.md 融进音色气质选择（角色气质→音色）；preferences.md 红线过滤台词。
• 无 Profile：按 voice-casting.md 默认对照选音色。

规则

• 多人对话必须多声线：每个说话人独立音色、旁白/主讲单列——绝不允许全程一个声音（cast check + dub 声线数把关）。
• 要像人就上云 provider：edge 只配草稿；成品/关键角色用 engine=clone+provider（有真情感通道），无需 GPU。
• 音色贴人物：按 voice-casting.md 的原型对照 + 同性别用 pitch/rate 区分。
• 情绪标注要具体：lines 每行标 emotion（愤怒/崩溃大哭/冷笑/温柔…），会喂进 provider 情感通道驱动演绎。
• 确定性留档：cast.json / lines.json 落文件，改台词/换音色重跑 dub 即可，不必重来。

参考来源

见 EASEL-META.md。多声线配音（cast + 逐行 lines + 按角色音色逐行合成 + ffmpeg 拼接 + 说话人字幕）为 Easel 自研；

底层封装 edge-tts（tts.py）与云端克隆（voice_clone.py）。