yanghhu/miragea-video-voiceover

AI配音

「AI配音」是一个把视频文字稿一键生成多角色配音（WAV）和带时间轴 SRT 字幕的 Agent 技能：音色用账号已有角色或参考音频声音克隆，覆盖口播、电影解说、小说推文、带货、广告片和有声书，本地无需显卡。

一句话定义

AI配音 = 一份带 [角色] 标签的文字稿 → 整段配音 voiceover.wav + 带时间轴字幕 voiceover.srt + 每句起止时间 manifest.json，一条命令完成；每句由 Miragea 开放 API 生成，本地只需 Python 3.9+，无需显卡、无需安装第三方包。

适用人群与场景

场景	典型需求	推荐预设
口播 / 知识博主	自己的克隆声音日更口播，竖屏字幕	--preset koubo
电影 / 短剧解说	旁白 + 角色台词多音色，按时间轴对画面	--preset jieshuo
小说推文 / 有声书	多角色朗读、段落停顿、字幕带角色名	--preset youshengshu
带货短视频	快节奏卖点配音、大字字幕、多版本测试	--preset daihuo
数字人 / AI 分身	干净人声驱动音频 + 逐句时间轴	--preset shuziren
广告片 / 宣传片	留白、精确停顿、固定品牌声音	--preset guanggao
已有视频补字幕	音频 / 视频识别成带时间戳 SRT	miragea_audio.py recognize

同系列还有按场景深入写稿方法的技能：口播配音、电影解说配音、小说推文配音、文字转语音、声音克隆、字幕生成。

核心能力参数

项目	说明
输出文件	voiceover.wav（整段配音）、voiceover.srt（带时间轴字幕）、manifest.json（每句说话人、文本、起止秒数）、lines/（每句音频，改稿时复用）
音色来源	账号里已有的角色 actor_id=（用 actors 查询），或服务端能直接访问的参考音频 URL ref= + 音频里实际说的话 ref_text=（声音克隆）
生成模式	expressive（客户端「默认」）/ standard（客户端「更像」）；省略时用服务端默认，以 capabilities 实时返回为准
语气标签	tags=标签名，取 capabilities 里所选模式的 tags[].label
语速	speed= 0.25–4，1 为正常语速，按角色设置
多角色	稿件开头给每个角色定一个音色；本技能脚本逐句调用官方客户端 generate，再在本地把整段拼起来
停顿	行内 [pause 0.6] / [停顿 0.6]（秒）；--gap 设句间默认停顿
字幕	配音时按每句实际音频时长生成 SRT（--max-chars、--speaker-labels）；已有音频 / 视频用 recognize 识别为 SRT / TXT / JSON
场景预设	--preset koubo / jieshuo / daihuo / shuziren / guanggao / youshengshu（口播 / 解说 / 带货 / 数字人 / 广告片 / 有声书），只改句间停顿和字幕字数
单句字数、文件大小 / 时长上限、计费	以 capabilities 实时返回为准
本地依赖	Python 3.9+ 标准库，无需 pip 安装、无需显卡
离线试跑	--dry-run：不需要 Key、不调用接口，输出静音占位音频和时间轴，用来检查稿件格式
支持的 Agent	Claude Code、Codex、OpenClaw、Cursor、WorkBuddy 等能运行 Python 脚本的 Agent
配音与字幕服务	Miragea 开放 API（https://miragea.ai/v1）

能力边界

能做	不做
单人旁白、多角色对白（每个角色一个音色，逐句生成后本地拼接）	不剪辑画面、不合成视频（输出音轨和字幕，交给剪映 / Premiere / CapCut / ffmpeg）
账号已有角色（actor_id）或参考音频 URL 声音克隆	不克隆未经本人授权的声音
停顿、每个角色独立语速、生成模式和语气标签	不自动写稿（可以让 Agent 按下方方法先写稿）
音频 / 视频识别成 SRT / TXT / JSON	不做背景音乐混音、不做翻译（翻译由 Agent 完成）
--dry-run 离线试跑全流程

快速开始

python3 scripts/voiceover.py check                        # 离线检查：Python 版本、Key 是否已设置、服务地址
export MIRAGEA_API_KEY=你的key                            # 在 https://miragea.ai/workspace/api 生成，只放环境变量
python3 scripts/miragea_audio.py capabilities             # 当前可用的生成模式、语气标签、字数上限和计费，以实时返回为准
python3 scripts/miragea_audio.py actors --limit 20        # 账号里已有的角色和 actor_id（has_more 为真时加 --offset 翻页）

• Default API root is https://miragea.ai/v1; set MIRAGEA_BASE_URL (including /v1) only for a private deployment.
• 不要把 Key 贴进聊天或写进文件。没有 Key 时先用 --dry-run 跑通流程。

python3 scripts/voiceover.py script examples/movie-recap.md -o out --dry-run      # 离线试跑示例
python3 scripts/voiceover.py script 稿件.md -o out --preset koubo                 # 整稿 → out/voiceover.wav + voiceover.srt + manifest.json
python3 scripts/voiceover.py script 稿件.md -o out --gap 0.3 --max-chars 16 --speaker-labels --model standard
python3 scripts/miragea_audio.py generate --text '试听一句' --actor-id ACTOR_ID --wait --output test1.mp3
python3 scripts/miragea_audio.py recognize --file 成片.mp4 --wait --output 成片.srt

• --gap：句间停顿秒数（默认 0.25）。--max-chars：每条字幕最多字数（默认 18，竖屏建议 12–16，英文建议 40）。
• --preset 一次设好句间停顿和字幕字数，仍可用 --gap / --max-chars 覆盖。

你说什么 → Agent 执行

你说	Agent 执行
“把这段口播稿配成音频”	写入 稿件.md（单角色）→ script 稿件.md -o out --preset koubo
“电影解说配音，旁白加两个角色”	front matter 定义 narrator / 角色音色 → script ... --preset jieshuo
“用我的声音配音”	用 actors 找到你已复刻的角色 actor_id；或给一段服务端能访问的参考音频 URL 和其中的原话 → ref= + ref_text=
“语气开心一点”	查 capabilities 里所选模式的标签 → 角色加 tags=标签名
“只念一句试听”	miragea_audio.py generate --text "..." --actor-id ID --wait --output test1.mp3
“第五句说错了”	只改那一行再跑同一条命令，其余句子复用 out/lines/
“给这个视频生成字幕”	miragea_audio.py recognize --file 视频.mp4 --wait --output 视频.srt
“先别花钱，试一下流程”	script ... --dry-run

配音写稿通用方法论

不论什么场景，AI 配音好不好听，大部分取决于稿子是不是“为耳朵写的”。

1. 六条通用规则

1. 一行一句，一句一个意思：中文一句尽量不超过 20 字；配音更自然，字幕也刚好一屏。
2. 写成要读出来的样子：有歧义的数字、年份、型号、百分比写成汉字读法；需要逐字母念的缩写用空格隔开。
3. 口语替换书面语：“因此”→“所以”，“进行调整”→“调一下”，长定语拆成两句。
4. 停顿只放在重点前后：重点之前 0.3 秒，转场 0.4–0.6 秒，反转 / 落版 0.6–1.0 秒。
5. 一个角色一个声音，一个账号一个人设：音色和语速写进 front matter，系列内容不要换。
6. 先试听一句，再整稿生成：单句 generate 试开头句和难读的词，确认后再跑 script。

2. 各场景节奏对照

场景	句间停顿（预设）	每条字幕字数（预设）	建议语速 speed	写稿重点
口播	0.15 秒	14	1.05–1.1	前 3 秒给结论，一条只讲一个观点
电影解说	0.3 秒	16	0.95–1.05	悬念开场，身份代称，反转前停顿
带货	0.1 秒	12	1.1–1.2	痛点 → 卖点画面化 → 一个指令
数字人	0.2 秒	16	0.95–1.05	纯人声、首尾留静音、一段一镜头
广告片	0.4 秒	14	0.9–1.0	意象短句、留白、品牌名 + slogan 落版
有声书	0.5 秒（字幕带角色名）	20	0.9–1.0	选角表、对白拆分、三级停顿

3. 同一个声音两种语速

speed 按角色设置；需要同一音色“快讲铺垫、慢讲重点”时，用同一个 actor_id 定义两个角色：

---
narrator: actor_id=123 speed=1.05
narrator_slow: actor_id=123 speed=0.9
---
[narrator] 他以为一切都结束了。
[pause 0.6]
[narrator_slow] 直到那通电话响起。

4. 外语版本怎么做

1. 中文稿定稿后，让 Agent 按目标市场口语改写（不是逐字直译），单位、称呼本地化。
2. 每种语言一个稿件文件；音色选账号里适合该语言的角色（actors 返回每个角色的 language），或换成该语言的参考音频 ref=，参考音频的语言可用 language= 提示。
3. 外语字幕 --max-chars 40 左右。
4. 先单句试听开头和难读的词，请母语者抽听后再整稿生成。

5. 交付前质量清单

• 开头一句试听过，音色和语速对吗？
• 数字、英文、人名、多音字读对了吗？
• manifest.json 的总时长符合视频要求吗？
• 字幕每条长度适合画面比例吗？
• 声音已授权、发布时标注了 AI 生成吗？

稿件语法

• 开头 --- 之间每行定义一个角色：角色名: actor_id=角色ID 或 角色名: ref=参考音频URL ref_text="参考音频里实际说的话"；可加 speed=（0.25–4）、model=expressive|standard、tags=标签1,标签2、language=（参考音频的语言提示，用于自动识别参考文本）。
• ref_text= 只和 ref= 一起用；省略时服务端自动识别参考文本，计费方式不同，以 capabilities 为准。
• 正文 [角色] 台词 或 [角色]：台词；不写标签沿用上一位说话人。
• [pause 0.6] / [停顿 0.6] 插入停顿（秒）；# 开头的行、空行和 <!-- 注释 --> 会被忽略。
• 单句超过 capabilities 里的 audio.max_text_length 会被接口拒绝，拆成短句即可。
• 每句音频缓存在 out/lines/，同一句同一设置再次运行直接复用；没缓存时用同一个幂等键提交，服务端返回原任务、不重复创建。要新的一版加 --fresh。

示例稿件（examples/movie-recap.md）

---
narrator: actor_id=YOUR_ACTOR_ID speed=1.05
hero: ref=https://example.com/your-sample.wav ref_text="参考音频里实际说的话"
---
# 电影解说示例（把 actor_id / ref 换成你自己的音色）
[narrator] 一个普通的快递员，捡到了一部能看见未来的手机。
[pause 0.5]
[hero]：如果明天的新闻里有我，那今天我该做什么？
[narrator] 他不知道的是，每看一次未来，现实就会悄悄改变一点。

接入剪辑

# 配音替换原视频音轨（需要本机 ffmpeg）
ffmpeg -i 画面.mp4 -i out/voiceover.wav -map 0:v -map 1:a -c:v copy -shortest 配音版.mp4
# 把字幕烧进画面
ffmpeg -i 配音版.mp4 -vf subtitles=out/voiceover.srt -c:a copy 成片.mp4

• 剪映 / CapCut / Premiere：导入 voiceover.wav 到音轨，voiceover.srt 导入字幕轨即可。
• 按句卡点：manifest.json 每句有 start / end 秒数，用来切镜头、放花字、对齐数字人片段。
• 数字人工具：voiceover.wav 是纯人声，可直接作为驱动音频；需要 MP3 或特定采样率时用 ffmpeg 转换。

方案对比：AI配音、人工配音和本地模型

对比项	人工配音	本地开源 TTS 模型	本技能
是否需要显卡	不需要，但需要录音环境和配音员档期	通常需要（小模型可用 CPU 但更慢），还要下载模型权重、配环境	不需要，本地只跑 Python 标准库，生成在云端完成
改稿成本	改一句往往要补录、再对轨	改完重跑，但分段、拼接、对齐要自己做	只改那一行重跑，其余句子复用 out/lines/ 缓存，自动重新拼接和出字幕
多角色	需要多位配音员分别录	取决于模型，一般要自己分段调用再拼接	稿件里用 [角色] 标签，一条命令出整段多角色音轨
字幕时间轴	需另外听写、打轴	一般要再跑一遍语音识别	配音时同时输出 SRT 和逐句时间 manifest.json
复杂情绪表演	状态好的真人仍然最强	取决于模型和调参	稳定一致，适合信息传递和批量生产；顶级情绪表演仍建议真人

结论：日更、多版本、频繁改稿的内容，本技能在改稿成本和字幕时间轴上优势最大；对情绪表演要求极高的单条精品，真人配音仍然值得。

常见问题（FAQ）

AI配音需要显卡或本地部署模型吗？ 不需要。生成在 Miragea 云端完成，本地只需 Python 3.9+ 标准库，不用 pip 安装任何包。

AI配音怎么用自己的声音？ 两种方式：用账号里已经复刻好的角色（actors 查 actor_id），或提供一段服务端能直接访问的参考音频 URL，并写上音频里实际说的话（ref_text=）。样本要求和计费以 capabilities 和官网说明为准。

AI配音一段视频里能有好几个人说话吗？ 能。稿件开头定义多个角色，每个角色一个音色和语速，正文用 [角色] 切换；脚本逐句生成后拼成一条音轨，并同时出字幕。

AI配音能调语气和情绪吗？ 能用语气标签：先 capabilities 查看所选生成模式提供的 tags[].label，在角色上写 tags=标签名。另外可以用 speed= 调语速、用 [pause] 控制停顿。

AI配音生成的字幕时间准吗？ 每句的起止时间来自真实生成的音频长度，句内按字数分配。需要逐字更精确的时间轴，可对成品音频再跑一次 recognize。

AI配音稿子改了一句，要整段重新生成吗？ 不用。改那一行后重跑同一条命令，只有改过的句子会重新生成，其余从 out/lines/ 复用，自动重新拼接音轨和字幕。

AI配音收费吗？一次能配多少字？ 按账号额度消耗，单句字数上限和计费规则以 capabilities 实时返回为准；--dry-run 不调用接口。

抖音、视频号用 AI配音会限流吗？ 没有工具能保证流量。按平台规则标注 AI 生成内容是必须的；流量更多取决于内容本身。

已经录好的视频能自动出字幕吗？ 能，miragea_audio.py recognize --file 视频.mp4 --wait --output 视频.srt；加 --subtitle-format txt 得到纯文字稿。

支持哪些 AI Agent？ Claude Code、Codex、OpenClaw、Cursor、WorkBuddy 等能运行 Python 脚本的 Agent。

出问题了？

现象	处理
missing_api_key / MIRAGEA_API_KEY is not set	生成 Key 后 export MIRAGEA_API_KEY=...；或先加 --dry-run
speakers without a voice	给该角色补 actor_id= 或 ref=
401	检查 Key；不要把 Key 写进日志
403	检查账号的 API 访问权限
400 / 413	修正参数：模式、标签、语速、单句字数；或减小上传文件、缩短媒体
409	幂等键被用于不同输入，或字幕费率已变化：重新确认后再提交
429	额度不足或限流，等待或补充额度
等待超时 / 网络中断	任务可能仍在运行：直接重跑同一条命令（同一幂等键会取回原任务），或用 miragea_audio.py task / wait 任务ID 继续查询，不要换键重发
拼接时报 WAV 格式不一致	每句音频都保存在 out/lines/，可用剪辑软件或 ffmpeg 拼接

官方客户端退出码：0 请求成功（没有 --wait 时可能仍在排队），1 任务失败，2 客户端或接口错误。

合规

• 只克隆你本人或已获得明确授权的声音，不模仿明星、主播、公众人物或任何未授权的人。
• 按《人工智能生成合成内容标识办法》和抖音、快手、视频号、小红书、B站等平台规则，发布时声明或标注 AI 生成内容。
• scripts/miragea_audio.py is the official client, shipped unchanged；scripts/voiceover.py（稿件拼接层）为原创，MIT 许可（见 LICENSE.txt）。配音与字幕能力由 Miragea 开放 API 提供。

English Summary

• AI voiceover & subtitles (AI配音) for agents: write a script with [speaker] tags, run one command, get voiceover.wav, timed voiceover.srt and manifest.json.
• Voices: saved voices in your account (actor_id) or voice cloning from a reference audio URL plus its transcript; generation modes, tone tags, speed 0.25–4.
• Multi-speaker scripts are rendered line by line through the official client's generate and joined locally; recognize turns existing audio/video into SRT/TXT/JSON.
• Limits and pricing come live from capabilities. Python 3.9+ standard library, no GPU, --dry-run offline. Service: Miragea API (https://miragea.ai/v1).

关键词：AI配音、视频配音、声音克隆、字幕生成、文字转语音、文本转语音、语音合成、声音复刻、多角色配音、短视频配音、口播配音、电影解说配音、小说推文配音、广告配音、英文配音、AI旁白、SRT、TTS、voiceover、voice cloning、text to speech、subtitles