Launch-Stimme
Werkzeug-Handbuch unter
launch-film. Beginne beiskills/launch-film/SKILL.md: dort stehen der Kern, die Haken-plus-Körper-Vorlage und die Lektionen. Wo diese Seite abweicht, gewinntlaunch-film.
In einem modernen Launch-Film führt die Stimme und das Bild illustriert sie Wort für Wort: Wenn die Stimme „markiert“ sagt, wird etwas markiert. Das funktioniert nur, wenn jedes Wort einen Zeitstempel hat.
Anbieter
- Standard: Higgsfield auf deinem eigenen Konto.
text2speech_v2(Engineselevenlabs,minimax,seed_speechund andere pro Stimme) für die Besetzung aus etwa 100 voreingestellten Stimmen, ca. 0,3 Credits pro Zeile. Seed Audio für einen Erzähler, den du mit einem Prompt und Audio-Referenzen steuerst.scripts/hf_voice.pykapselt die CLI. - Kostenlose Scratch-Stimme:
scripts/scratch_voice.pyerstellt Platzhalter-Aufnahmen mit macOSsay(oderespeak-ngauf Linux). Baue und takte den gesamten Film damit, kennzeichne jede Überprüfung als „Scratch-Stimme“ und tausche dann die echten Aufnahmen aus. - Kostenloser lokaler Klon:
scripts/clone_local.py(Chatterbox, MIT) klont deinen genehmigten Erzähler aus 8 bis 10 Sekunden seiner Zeilen. Ein Platzhalter, kein Meisterwerk. Klone nur eine Stimme, für die du die Rechte hast. - Überprüfe Stimmen innerhalb eines vollständigen Films, niemals als lose Clips. Führe eine Liste abgelehnter Stimmen, damit sie nie wieder vorgeschlagen werden.
Besetzung
python3 skills/launch-voice/scripts/hf_voice.py cast "<die erste Zeile des Films>" film/vo/auditionspricht die Zeile mit jeder voreingestellten Stimme (ca. 34 Credits für etwa 110 Stimmen), überprüft jeden Take mit Whisper und misst Tempo und Tonhöhenbewegung.ranking.mdlistet zuerst genaue Takes auf, die nächsten etwa 2,5 Wörter pro Sekunde und etwa 2 Halbtöne Bewegung (konversationell, nicht angekündigt).--only Name,Namebesetzt wenige neu.- Nimm die Top 6 oder so über Geschlechter hinweg in das vollständige Skript (
hf_voice.py lines) und passe sie dann an (unten). Eine Stimme, die mehr als 12 % Beschleunigung benötigt, um zu passen, ist zu langsam für das Skript: verwerfe sie oder kürze Wörter. - Baue einen vollständigen Film pro verbleibender Stimme und lass den Eigentümer wählen. ElevenLabs variierte in Tests am wenigsten in Tempo und Tonhöhe, daher ist es die Standard-Engine.
Länge und Tempo
- Ziel: 2,2 bis 2,7 gesprochene Wörter pro Sekunde. Ein starker Referenz-Launch lief mit 2,4 (151 Wörter in 63 s).
- Ein 20 s Film trägt etwa 45 Wörter; 30 s etwa 70; 60 s etwa 140. Kürze Wörter, bevor du die Stimme beschleunigst.
- Eine Zeile pro Storyboard-Bild, 6 bis 20 Wörter, so formuliert, dass das Schlüsselwort oder -verb auf einen Takt fällt.
Ablauf für die Filmvorlage
- Das Skript lebt in
film/film.jsoninlines. Nimm 1 Datei pro Zeile infilm/vo/body/line-<id>.wavauf: echte Takes mithf_voice.py lines(schreibe die Zeilen als{"lines": [{"line": "02", "text": "..."}]}) oder Scratch-Takes mitpython3 skills/launch-voice/scripts/scratch_voice.py film/film.json(füge--hook film/hooks/<name>hinzu, um auch eine Hook-Zeile zu vertonen). - Führe
python3 skills/launch-voice/scripts/prep_lines.py film/film.jsonaus (--align force, um auf erzwungener Ausrichtung zu bestehen; mit installiertemuvwird torch beim ersten Lauf geholt, ca. 2 GB). Es schreibtfilm/vo/body/lines.jsonmit der Dauer jeder Zeile und den Wortzeiten: erzwungene Ausrichtung, wenn torch verfügbar ist, sonst whisper.cpp, sonst eine gleichmäßige Schätzung, die alsestimategekennzeichnet ist. film/build.pyplatziert die Zeilen auf der Film-Zeitleiste, und jeder Bild-Cue folgt seinem Wort. Ein neuer Take ist 1 Vorbereitungslauf plus ein Neubau.
Ablauf für einen freien Film
vo/script-lines.json({"lines": [{"line": "01", "text": "..."}]}), dann eine Datei pro Zeile:hf_voice.py lines vo/script-lines.json vo/takes/<voice> --voice <Name>. Text, Stimme, Engine und Job-IDs landen inlines.json.- Anpassung:
python3 skills/launch-voice/scripts/fit_lines.py vo/placement.plan.json vo/takes/<voice> vo/versions/<voice>. Der Plan gibt jeder Zeile ihren frühesten Start, ihre Atemlücke und, wo ein Frame enden muss,end_by. Pausen über 0,25 s innerhalb einer Zeile schrumpfen auf 0,22 s; eine Reihe von Zeilen, die immer noch überläuft, wird als eine beschleunigt, begrenzt auf 12 %. Dann Stitching:python3 skills/launch-voice/scripts/stitch.py vo/versions/<voice>/placement.json vo/versions/<voice> vo/versions/<voice>/vo.wav. - Wortzeiten pro Zeile. Verwende für alles, worauf ein Bild landen muss, die erzwungene Ausrichtung:
uv run -q --with torch --with torchaudio --with soundfile python skills/launch-voice/scripts/force_align.py line.wav "die exakten Wörter". Für eine schnelle Auslese führtalign_lines.pywhisper.cpp zeilenweise aus. Anker lösen in Sprechreihenfolge auf (jeder der erste Treffer nach dem vorherigen), sodass jede Stimme den Film neu taktet. Ein einzelner Whisper-Durchlauf über den gesamten Film driftet in der Nähe von Zeilenenden ab; zeilenweise Durchläufe tun das nicht. - Übergib die Wortzeiten an
launch-motion(verankere jeden Build an seinem Wort) undlaunch-sound(Ereignisse folgen Wörtern).
Vintage-Erzähler
Für einen Archiv- oder Dokumentationsauftakt: python3 skills/launch-voice/scripts/vintage.py IN.wav OUT.wav --crackle crackle.wav bandbegrenzt auf 150 Hz bis 5,8 kHz, fügt Bandsättigung, einen langsamen Wow und ein echtes Vinyl-Knistern hinzu (generiere 1 mit Seed Audio). Seed Audio kann auch eine Zeile direkt mit einer Vintage-Erzählerstimme sprechen („ein warmer, tiefer 1960er Dokumentar-Erzähler auf einer alten Vinylplatte ... genau diese Wörter: ...“); es liest langsam und kann umformulieren („muss“ wurde zu „müssen“), also überprüfe mit Whisper.
Sync-Regeln
- Ein Schlüsselwort landet mit seinem Bild innerhalb von 2 Frames. Beginne Builds auf dem ersten Frame des Wortes; wenn du ein Bild seinem Wort vorausgehen lässt, halte es unter 4 Frames und tue es überall.
- Lass die Stimme bei Szenenwechseln atmen: 0,25 bis 0,5 s zwischen den Zeilen.
- Die letzte Zeile endet mindestens 1 s vor dem Logo; das Logo bekommt seine eigene annähernde Stille (
launch-mixDrop-out).
Wenn der Sprachanbieter nicht verfügbar ist
Baue gegen die Scratch-Stimme, kennzeichne jede Überprüfung als Scratch, und halte das Bild an den ausgerichteten Wörtern verankert, sodass das Austauschen der echten Stimme 1 Vorbereitungslauf plus ein Rendern ist. Wechsle niemals den Sprachanbieter oder die Konten ohne die Zustimmung des Eigentümers.
Fehlerbehebungen
- Eine Zeile läuft um weniger als 5 % über:
ffmpeg -af atempo=1.04. Mehr als das: schreibe die Zeile neu. - Ein Wort wird falsch ausgesprochen: schreibe es phonetisch im
say-Feld der Zeile um (fürhf_voice.py), niemals im Skript. - Whisper hört ein leises Ende falsch: verwende erzwungene Ausrichtung oder verkürze das Anker-Präfix; nimm nicht neu auf.
- Ziffern: schreibe sie im Text aus, den du ausrichtest („vierundzwanzig“, nicht „24“).
- Das Whisper-Basismodell hört Produktnamen falsch. Überprüfe die letzten Wörter mit dem kleinen Modell oder einem größeren (
WHISPER_MODEL).