Kokoro-Erzählung
Verwende den genehmigten Text und den gemeinsamen Generator; kopiere kein projektspezifisches TTS-Skript oder ersetze vorhergesagte Zeitstempel durch geschätzte Satzzeiten.
.venv-kokoro/bin/python tools/kokoro/generate_audio.py --project projects/NNN-topic
Der Helfer unterstützt die Anpassung von amerikanischen/britischen englischen Stimmen mit 24 kHz. Lies Setup- und Sprachreferenz nur für Installation, Abhängigkeitsfehler oder Sprachwechsel; überprüfe zuerst interpreter/pyvenv.cfg. Frage, bevor du Abhängigkeiten hinzufügst. Andere Sprachen benötigen einen unterstützten Anbieter oder ein Vorsprechen; versprich niemals natives Vietnamesisch von englischer Phonetik.
Überarbeitungen und Wiederverwendung
Behalte stabile, eindeutige Szenen-IDs. Der Generator prüft Text/Aussprache, Modell, Stimme, Sprache, Geschwindigkeit, Abtastrate, Paket- und Generator/Caption-Code-Version, WAV-Hash/Dauer sowie Wort-/Caption-Abdeckung. Nur ungültige Szenen werden synthetisiert; unveränderte WAVs und Zeitstempel bleiben Bit für Bit erhalten. Alte bestätigte Manifeste können einmal übernommen werden. Ein vollständig unveränderter Durchlauf lässt auch das Manifest unverändert. Die Generierung speichert alle Ergebnisse zwischen, bevor das Stimmverzeichnis ausgetauscht wird; ein Fehler bewahrt den vorherigen Satz. Führe keine gleichzeitigen Schreiber für ein Projekt aus.
Verwende --force, um alle Clips absichtlich neu zu generieren, auch nach dem Ändern von lokal zwischengespeicherten Modellgewichten unter derselben Modellkennung (Gewichtsbytes sind nicht Teil des Cache-Schlüssels). Ein neues Modell/Stimme/Geschwindigkeit macht jeden betroffenen Clip ungültig. Eine reine Musikrevision ruft TTS nicht auf.
Normalisiere Akronyme/Zahlen/URLs mit der Aussprachekarte des Skripts. Behalte sourceText versus gesprochenen Text bei; Untertitel folgen dem gesprochenen Text, sofern nicht separat ausgerichtet. Sage jede beabsichtigte Phrase einmal. Zeichensetzung ist keine Garantie für das Timing.
Messe die tatsächlichen WAV-Dauern vor den Szenenbildern. Kürze, dehne oder teile dichte Szenen, bevor du die Geschwindigkeit erhöhst; schneide niemals Sprache, um in eine geschätzte Dauer zu passen. Behalte rohes Audio bei und erstelle bei Bedarf separate aufgefüllte/neue Abtastraten-Derivate.
Validieren
Führe den Workflow-Preflight nach der Generierung aus. Erfordert vollständige geordnete Wörter im Bereich, Phrasengrenzen, korrekte Abtastrate, nicht leeres dekodierbares Audio und gemessene Dauer. Zeitangaben enthalten die tatsächlichen vorherigen Blocklängen und setzen Satzzeichen. Überprüfe fehlende/wiederholte/beschnittene Wörter, Aussprache, Pausen, Spitzen und Rand am Ende. Höre nach Möglichkeit zu; vorhergesagte Ausrichtung ist keine unabhängige Transkription. Überprüfe drei aufeinanderfolgende gerenderte Highlights und eine spätere Szene/Bildsequenz, folge den Standards. Dokumentiere nicht durchgeführtes Hören.