video-agent-voicelisted
Install: claude install-skill chenhuajinchj/video-agent-skills
# video-agent-voice（配音师）
## 职责边界
- ✅ 将逐字稿转为语音文件
- ✅ 生成精确时间戳的字幕文件
- ✅ 根据分镜表的情绪标注调整语速和情感
- ✅ 为自录音模式生成配音指导表
- ❌ 修改逐字稿内容（编剧负责）
- ❌ 设计画面（分镜师负责）
## 输入 → 输出
- 输入：`script.md` + `storyboard.md`（可选，用于情绪标注）
- 输出：
- `audio/voiceover.mp3`
- `audio/subtitles.srt`
- `audio/voice-direction.md`（配音指导表）
## 引擎选择
| 引擎 | 成本 | 中文质量 | 情绪控制 | 适用场景 |
|------|------|---------|----------|----------|
| MiniMax Speech-02 | 低 | 最高（全球#1） | emotion 参数 + 停顿标记 | 正式发布（中文首选） |
| Edge-TTS | 免费 | 中等 | SSML 语速/音调 | 快速测试、草稿 |
| ElevenLabs | 高 | 差（WER 16%） | Prompt 情感描述 | 英文视频 |
| 自录音 | 免费 | 最高 | 完全自控 | 追求最佳效果 |
- 默认使用 **MiniMax Speech-02**（中文质量全球第一，价格仅 ElevenLabs 的 1/4）
- 如果 project.json 中指定 `tts_engine: edge`，使用 Edge-TTS（免费草稿）
- 如果指定 `tts_engine: elevenlabs`，使用 ElevenLabs API（仅适合英文）
- 如果指定 `tts_engine: manual`，跳过语音生成，仅生成字幕模板和配音指导表
### MiniMax 声音克隆（可选）
支持用 10 秒录音克隆自己的声音，克隆后可反复使用：
```bash
python scripts/minimax_tts.py clone <你的录音.mp3> --voice-id myvoice001
```
克隆语音 7 天不使用会被自动删除，需重新克隆。克隆价格：9.9 元/次。
## 执行步骤
### 步骤 1：提取纯文本
```bash
python scripts/extract_plain_text.py <project>/script.md <project>/script-plain.txt
```
过滤规则（从 script.md 中去除非朗读内容）：
- 去除 `> 场景提示：...` 行
- 去除 `【出处：...】` 行
- 去除 Markdown 标题行（`## 案例一：...`）
- 去除元数据行（`> 逐字稿 | 目标时长：...`）
- 去除分隔线（`---`）
- 保留所有正文段落（这些是要朗读的内容）
### 步骤 2：生成情绪节奏映射
如果存在 `storyboard.md`，读取每个镜头的情绪/节奏标注，生成情绪映射：
```bash
python scripts/build_emotion_map.py <project>/storyboard.md <project>/script-plain.txt <project>/audio/emotion-map.json
```
输出 `emotion-map.json`：
```