Narración Kokoro
Usa el texto aprobado y el generador compartido; no copies un script TTS específico de proyecto ni reemplaces marcas de tiempo predichas con tiempos estimados de oraciones.
.venv-kokoro/bin/python tools/kokoro/generate_audio.py --project projects/NNN-topic
El asistente admite voces de inglés americano/británico a 24 kHz. Lee configuración y referencia de idioma solo para instalación, fallos de dependencias o cambio de idioma; inspecciona primero interpreter/pyvenv.cfg. Pregunta antes de agregar dependencias. Otros idiomas necesitan un proveedor compatible o una audición; nunca prometas vietnamita nativo desde fonética inglesa.
Revisiones y reutilización
Mantén identificadores de escena estables y únicos. El generador verifica texto/pronunciación, modelo, voz, idioma, velocidad, frecuencia de muestreo, paquete y versión del código del generador/caption, hash/duración del WAV y cobertura de palabras/captions. Solo se sintetizan escenas inválidas; los WAV y marcas de tiempo sin cambios sobreviven bit a bit. Los manifiestos verificados antiguos se pueden adoptar una sola vez. Una ejecución completamente sin cambios deja el manifiesto igual. La generación prepara todos los resultados antes de intercambiar el directorio de voz; un fallo preserva el conjunto anterior. No ejecutes escritores simultáneos para un proyecto.
Usa --force para regenerar deliberadamente todos los clips, incluso después de cambiar pesos de modelo almacenados en caché localmente bajo el mismo identificador de modelo (los bytes de peso no forman parte de la clave de caché). Un nuevo modelo/voz/velocidad invalida cada clip afectado. Una revisión solo de música no llama a TTS.
Normaliza acrónimos/números/URLs con el mapa de pronunciación del script. Conserva sourceText frente a texto hablado; los captions siguen el texto hablado a menos que se alineen por separado. Di cada frase intencionada una sola vez. La puntuación no es una garantía de sincronización.
Mide las duraciones reales de WAV antes de los fotogramas de escena. Acorta, expande o divide escenas densas antes de aumentar la velocidad; nunca recortes el habla para ajustarla a una duración supuesta. Mantén el audio original y crea derivados rellenados/remezclados por separado si es necesario.
Validar
Ejecuta el pre-vuelo del flujo de trabajo después de la generación. Requiere palabras ordenadas completas dentro del rango, límites de frase, frecuencia de muestreo correcta, audio decodificable no vacío y duración medida. Los tiempos incluyen longitudes reales de fragmentos anteriores y adjuntan puntuación. Revisa palabras faltantes/repetidas/recortadas, pronunciación, pausas, picos y espacio al final. Escucha cuando sea posible; la alineación predicha no es una transcripción independiente. Inspecciona tres highlights renderizados sucesivos y una escena/fragmento posterior, siguiendo valores predeterminados. Registra la escucha no realizada.