中文视频转英文配音
把中文口播视频转成英文配音成片：克隆原说话人的音色，面向海外买家重写文案，输出单个 MP4。
一条命令
cd "<项目根>"
$env:MINIMAX_API_KEY = "<MiniMax 国内站 Key>"
$env:VOLC_API_KEY = "<火山 API Key>"
.\venv\Scripts\python.exe scripts\dub.py --src "<视频路径>" --slug "<短名>"
产物：
| 位置 | 内容 |
|---|---|
out/<短名>_EN_dubbed.mp4 | 成片（唯一交付） |
out/<短名>_EN.srt / _ZH.srt | 中英字幕 |
work/batch/<短名>/REPORT.md | 耗时、合成轮次、成本 |
常用参数：--until translate（只出文案，不合成）、--from fit（从某阶段开始）、--force（忽略已存状态）。
六个阶段
1 prep 提取音频 + demucs 人声分离 + 记录视频时长
2 asr 火山词级识别 → 中文分句时间轴
3 translate DeepSeek → 英文文稿（受众切换 + 词数预算 + 数字写单词）
4 fit 跑 N 轮合成 → 各自实测 → 按"最多能填到多少"评分取最优
5 place 按时间轴铺设 + 句界插停顿 + 写字幕（真实词级时间戳）
6 mux 配背景音乐 + 响度归一 → MP4
失败后重跑同一条命令即可，已完成阶段自动跳过（含"产物必须比输入新"校验）。
前置条件
| 项 | 说明 |
|---|---|
| 音色 | work/voice.json，跑一次 clone_voice.py 生成即可，所有视频共用，不需重复克隆 |
| 火山 Key | 录音文件识别（volc.seedasr.auc） |
| MiniMax Key | 国内站 api.minimaxi.com，需实名 + 余额（否则 2038 / 1008） |
| DeepSeek Key | 官方 api.deepseek.com |
| 依赖 | demucs torch numpy requests openai soundfile |
| 音乐 | 一个放 .wav 的目录，见 config.py 的 BGM_DIR |
所有服务直连，dub.py 会强制清掉代理变量。
必读：18 条实测经验
完整清单在 docs/LESSONS.md。最容易踩且代价最高的几条：
- 受众要切换，不只是翻译 —— 很多素材原本是对国内出口商说的（"做外贸的朋友们"），英文必须直接对海外买家说话。规则在
translate.py的SYSTEM_FILL里。 - 数字在翻译阶段就写成英文单词 ——
20,000算 1 个词却读成 2 个词，会让所有长度计算偏掉；留着阿拉伯数字还可能被逐位读。 - atempo 已禁用 —— 不要为了铺满而让人说得更快，要把文案压短。
- 句界拼接必须加淡入淡出 —— 切点在非零波形处会产生咔哒声。
- 验收音频瑕疵不能只看全文件最大跳变 —— 会被源文件的更大跳变掩盖，要看跳变分布。
- 断点续跑必须校验产物比输入新 —— 否则会静默交付旧稿配音。
详细机制与踩坑过程见 docs/USAGE.md（原《使用说明》）与 docs/REPORT.md（实施报告）。
已知限制
- 中文信息密度高于英文，极少数素材需要在保留卖点的前提下删句（工具会自动做，报告里会记录）。
- 铺满度一般 93–100%，末尾由背景音乐补足。
Eva之外念不对的专有名词，加进synth_single.py的TTS_RESPELL字典（只影响 TTS 输入，字幕不变）。
建议工作流
新素材先用一条跑完整流程给客户确认（音色／语速／音乐／停顿），确认后再批量。批量时逐条会写明成本。