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：
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）。