wjs-voicedrop-reading-aloud

# wjs-voicedrop-reading-aloud 文字 → 有声书 mp3。不是照字面念，而是先**编排**：不同性质的内容换不同声音，关键转折处加语音指令，然后用火山引擎豆包 seed-tts-2.0 合成。 合成工具：`~/code/volcano-tts/tts.py`（先 `source ~/code/.env`）。 ## 铁律 1. **绝不把带【】/[ ] 标注的文本直接喂裸 API** —— 裸 API 会把标注原样念出来（实测实锤）。永远走 `tts.py`，它把标注切段转成 `context_texts` 语音指令。 2. **只能用 2.0 音色（`_uranus_bigtts` 后缀）** —— moon/mars/tob 音色在 seed-tts-2.0 资源下报错 `resource ID is mismatched`。 3. **合成前把编排好的朗读脚本给用户看一眼**（除非用户说直接出）——编排是再创作，声音分配和指令值得确认。headless/自动化场景跳过此步。 ## 工作流 ### 1. 取内容并认真通读 - 纯文本/文件：直接读。 - URL：WebFetch；SPA 页面（如 docs.volcengine.com）用 browse skill 渲染后取正文。 - VoiceDrop 文章：voicedrop MCP 的 `read_article`。 通读时标记出：正文叙述 / 直接引用（引号、blockquote）/ 大白话吐槽与内心 OS / 数据、列表、表格 / 标题与小节。 ### 2. 编排重写成朗读脚本 这是核心步骤，是**重写**不是转录： - 去掉一切视觉残留：markdown 符号、链接、图片说明、脚注编号。 - 表格、列表、数据改写成口语句子（「三个原因：第一…」）。 - 标题不逐字念，化进过渡句，或用停顿+换气带过。 - 太书面的长句改口语，但保留作者的用词风格。 - **按内容性质分配音色**（见音色表）：正文一个主声贯穿；引用换引用声；吐槽/大白话换插话声。声音切换是给听众的「格式信号」，等价于视觉上的引用块。 - 不要频繁换声：一般 2~3 个声音封顶，切换只发生在内容性质真正变化处。 ### 3. 加语音指令（克制） 在句前加 `[心理活动、细腻表情、肢体动作等描述]`，如 `[放慢，一字一顿，点出要害]`。 - **只在需要的地方加**：情绪转折、节奏变化、重音、引用的口吻模仿。平铺直叙的段落一个不加，靠全局指令兜底。 - 经验密度：每 3~5 句最多一处；一段平静的叙述可以整段没有。 - 每处标注就是一次切段（一次 API 调用+拼接点），切太碎会让语流变散。 - 标注写成对朗读者说的表演提示（心理活动/表情/动作皆可），不要写成对听众的说明。 - **指令要戏剧化、情绪化才有效**（实测）：模型对情绪/音色类指令跟随很强（哭腔、耳语、亢奋大喊、像法官宣判、+50% 时长级别的变化），对含蓄舞台提示（「语气一沉」「带一丝惋惜」）和机械精确指令（「停顿一秒」「放慢一倍」）跟随很弱。写法上宁可夸张：「请把声音压到接近耳语，凑近话筒，像说破一个秘密」远强于「压低声音」。 ### 4. 朗读脚本格式（tts.py --script） ``` # 注释行 @voice narrator zh_male_yuanboxiaoshu_uranus_bigtts @voice quote zh_male_yizhipiannan_uranus_b...