Voz de lançamento
Manual da ferramenta em
launch-film. Comece emskills/launch-film/SKILL.md: ele contém o núcleo, o modelo de gancho-mais-corpo e as lições. Onde esta página divergir,launch-filmprevalece.
Em um filme de lançamento moderno, a voz lidera e a imagem a ilustra palavra por palavra: quando a voz diz "marcado", algo é marcado. Isso só funciona quando cada palavra tem um timestamp.
Provedores
- Padrão: Higgsfield na sua própria conta.
text2speech_v2(engineselevenlabs,minimax,seed_speeche outras por voz) para elenco em cerca de 100 vozes predefinidas, cerca de 0,3 créditos por linha. Seed Audio para um narrador que você orienta com um prompt e referências de áudio.scripts/hf_voice.pyencapsula a CLI. - Voz de rascunho gratuita:
scripts/scratch_voice.pygera takes provisórios com o comandosaydo macOS (ouespeak-ngno Linux). Monte e cronometre o filme inteiro com ela, rotule cada revisão como "voz de rascunho", depois substitua pelos takes reais. - Clone local gratuito:
scripts/clone_local.py(Chatterbox, MIT) clona seu narrador aprovado a partir de 8 a 10 segundos de suas falas. Um substituto, não um mestre. Clone apenas uma voz para a qual você tenha os direitos. - Revise as vozes dentro de um filme completo, nunca como clipes soltos. Mantenha uma lista de vozes rejeitadas para que nunca sejam propostas novamente.
Elenco
python3 skills/launch-voice/scripts/hf_voice.py cast "<a linha de abertura do filme>" film/vo/auditionfala a linha com todas as vozes predefinidas (cerca de 34 créditos para cerca de 110 vozes), verifica cada take com whisper e mede ritmo e variação de tom.ranking.mdlista primeiro os takes exatos, mais próximos de 2,5 palavras por segundo e cerca de 2 semitons de variação (conversacional, não anunciado).--only Nome,Nomerefaz o elenco de algumas.- Pegue as 6 melhores (considerando gêneros) para o roteiro completo (
hf_voice.py lines), depois ajuste-as (abaixo). Uma voz que precisa de mais de 12% de aceleração para se encaixar é muito lenta para o roteiro: descarte-a ou corte palavras. - Monte um filme completo para cada voz sobrevivente e deixe o proprietário escolher. O ElevenLabs variou menos em ritmo e tom nos testes, então é o engine padrão.
Duração e ritmo
- Alvo de 2,2 a 2,7 palavras faladas por segundo. Um lançamento de referência forte rodou a 2,4 (151 palavras em 63 s).
- Um filme de 20 s carrega cerca de 45 palavras; 30 s cerca de 70; 60 s cerca de 140. Corte palavras antes de acelerar a voz.
- Uma linha por quadro do storyboard, de 6 a 20 palavras, frasada de modo que o substantivo ou verbo principal caia em uma batida.
Procedimento para o modelo de filme
- O roteiro vive em
film/film.jsonlines. Grave 1 arquivo por linha emfilm/vo/body/line-<id>.wav: takes reais comhf_voice.py lines(escreva as linhas como{"lines": [{"line": "02", "text": "..."}]}), ou takes de rascunho compython3 skills/launch-voice/scripts/scratch_voice.py film/film.json(adicione--hook film/hooks/<nome>para também dar voz a uma linha de gancho). - Execute
python3 skills/launch-voice/scripts/prep_lines.py film/film.json(--align forcepara insistir no alinhamento forçado; comuvinstalado, ele baixa o torch na primeira execução, cerca de 2 GB). Ele escrevefilm/vo/body/lines.jsoncom a duração de cada linha e os tempos das palavras: alinhamento forçado quando torch estiver disponível, senão whisper.cpp, senão uma estimativa uniforme sinalizada comoestimate. film/build.pyposiciona as linhas na linha do tempo do filme e cada sinal visual segue sua palavra. Um novo take é 1 execução de preparação mais uma reconstrução.
Procedimento para um filme de forma livre
vo/script-lines.json({"lines": [{"line": "01", "text": "..."}]}), depois um arquivo por linha:hf_voice.py lines vo/script-lines.json vo/takes/<voz> --voice <Nome>. Texto, voz, engine e IDs de trabalho vão paralines.json.- Ajuste:
python3 skills/launch-voice/scripts/fit_lines.py vo/placement.plan.json vo/takes/<voz> vo/versions/<voz>. O plano dá a cada linha seu início mais cedo, sua pausa para respiração e, onde um quadro deve terminar,end_by. Pausas acima de 0,25 s dentro de uma linha encolhem para 0,22 s; uma sequência de linhas que ainda transborda é acelerada como uma, com limite de 12%. Depois costure:python3 skills/launch-voice/scripts/stitch.py vo/versions/<voz>/placement.json vo/versions/<voz> vo/versions/<voz>/vo.wav. - Tempos das palavras por linha. Para qualquer coisa em que um visual deva pousar, use alinhamento forçado:
uv run -q --with torch --with torchaudio --with soundfile python skills/launch-voice/scripts/force_align.py line.wav "as palavras exatas". Para uma leitura rápida,align_lines.pyexecuta whisper.cpp linha por linha. As âncoras resolvem na ordem da fala (cada uma é a primeira correspondência após a anterior), então qualquer voz retemporiza o filme. Uma única passagem do whisper sobre o filme inteiro deriva perto do final das linhas; passagens linha por linha não. - Entregue os tempos das palavras para
launch-motion(ancore cada construção à sua palavra) elaunch-sound(eventos seguem palavras).
Narrador vintage
Para uma abertura de arquivo ou documentário: python3 skills/launch-voice/scripts/vintage.py IN.wav OUT.wav --crackle crackle.wav limita a banda para 150 Hz a 5,8 kHz, adiciona saturação de fita, um wow lento e uma base real de chiado de vinil (gere 1 com Seed Audio). O Seed Audio também pode falar uma linha diretamente com uma voz de narrador vintage ("um narrador de documentário dos anos 1960, quente e profundo, em um disco de vinil antigo... exatamente estas palavras: ..."); ele lê lentamente e pode reformular ("tem que" virou "tem de"), então verifique com whisper.
Regras de sincronia
- Uma palavra-chave pousa com seu visual dentro de 2 quadros. Inicie as construções no primeiro quadro da palavra; se você deixar um visual anteceder sua palavra, mantenha abaixo de 4 quadros e faça isso em todos os lugares.
- Deixe a voz respirar nas mudanças de cena: 0,25 a 0,5 s entre linhas.
- A última linha termina pelo menos 1 s antes do logotipo; o logotipo recebe seu próprio silêncio próximo (
launch-mixdrop-out).
Quando o provedor de voz está indisponível
Monte com a voz de rascunho, rotule cada revisão como rascunho, e mantenha a imagem ancorada nas palavras alinhadas, de modo que a troca pela voz real seja 1 execução de preparação mais uma renderização. Nunca mude de provedor de voz ou conta sem a autorização do proprietário.
Correções
- Uma linha fica longa por menos de 5%:
ffmpeg -af atempo=1.04. Mais que isso: reescreva a linha. - Uma palavra é pronunciada incorretamente: soletre-a foneticamente no campo
sayda linha (parahf_voice.py), nunca no roteiro. - Whisper ouve mal um final suave: use alinhamento forçado ou encurte o prefixo da âncora; não regrave.
- Dígitos: escreva-os por extenso no texto que você alinha ("vinte e quatro", não "24").
- O modelo base do whisper ouve mal nomes de produtos. Verifique as palavras finais com o modelo pequeno ou maior (
WHISPER_MODEL).