andyluu98/VideoMotion

Gera vozes em vietnamita usando VieNeu-TTS a partir de um script.json de um projeto de vídeo, avalia automaticamente a pronúncia com Whisper, mantém a melhor leitura e extrai timestamps por palavra (voice.wav, words.json). Usado na etapa 4 do /videomotion, ou quando o usuário diz "gerar voz", "rela a frase", "mudar voz", "corrigir pronúncia".

O que é VideoMotion?

A habilidade andyluu98/VideoMotion integra o mecanismo de síntese de voz vietnamita VieNeu-TTS ao fluxo de trabalho de criação de vídeo. Ela processa arquivos script.json de um projeto de vídeo para gerar áudio de narração (voice.wav) e um arquivo de anotações temporais por palavra (words.json). A ferramenta automaticamente avalia a qualidade da pronúncia de cada frase usando o modelo Whisper, atribuindo uma pontuação e sinalizando leituras fracas (WEAK). Leituras fracas genuínas (como palavras engolidas ou números lidos incorretamente) podem ser resolvidas reescrevendo a frase, adicionando exceções de pronúncia no script.json (por exemplo, "MCP": "em xi pi") ou gerando múltiplos candidatos. O sistema suporta 25 vozes pré-definidas, com vozes padrão baseadas no dialeto do norte do Vietnã (Ngọc Huyền, Mai Anh, Trúc Ly) e variações para os dialetos do sul (Thùy Dung, Quang Sơn) e central (Ngọc Trân). O áudio gerado inclui pausas automáticas entre frases e cenas, tornando-o adequado para produção de vídeo profissional. A habilidade é acionada manualmente via linha de comando na etapa 4 do pipeline /videomotion ou por comandos de voz como "gerar voz", "rela a frase", "mudar voz" e "corrigir pronúncia".

Funciona com✓Claude Code~Codex CLI~Cursor

npx skills add https://github.com/andyluu98/VideoMotion/tree/HEAD/skills/vm-giong

Documentação

Giọng đọc

Biến VV, PY như trong skill videomotion.

Chạy

"$PY" "$VV/tools/voice/voice.py" <du-an> > <du-an>/voice.log 2>&1

Chạy nền nếu kịch bản dài hơn 1 phút. Xong khi log in VOICEDONE. Mọi bản sinh được cache theo nội dung: sửa một câu trong script.json rồi chạy lại thì chỉ câu đó được sinh lại.

Đọc kết quả

Mỗi câu in score <id>: <điểm> ok|WEAK | <điều Whisper nghe được>.
Chạy một lượt là đủ. Điểm chỉ để sàng lọc, không cần đuổi theo điểm cao. WEAK do Whisper nghe sai tên tiếng Anh ("Claude" thành "Clock", "code" thành "cốt") không phải lỗi đọc.
WEAK thật (đọc sai, nuốt chữ, đọc chữ số sai): sửa theo thứ tự
1. viết lại câu cho có chủ ngữ tiếng Việt, tránh câu ngắn dưới 5 từ hoặc mở đầu bằng tên tiếng Anh;
2. thêm mục vào "pron" trong script.json, ví dụ "MCP": "em xi pi" (khóa có chữ hoa thì khớp đúng hoa thường);
3. chạy lại với --candidates 4.
Từ cần sửa cho mọi dự án: thêm vào ~/.motionfly/pron.json.

Giọng

Mặc định Ngọc Huyền (nữ, Bắc). Một số giọng có sẵn: Ngọc Huyền, Mai Anh (tin tức), Trúc Ly, Thùy Dung (Nam, tin tức), Hải Đăng, Thiện Minh (kể chuyện), Quang Sơn và Ngọc Trân (Trung). Xem đủ 25 giọng:

"$PY" -c "from vieneu import Vieneu; [print(v[0]) for v in Vieneu().list_preset_voices()]"

Đặt giọng ở khóa "voice" trong script.json.

Đầu ra

voice.wav: 48 kHz mono, có khoảng nghỉ: đầu 0,5 s, giữa câu 0,35 s, dấu | 0,55 s, giữa cảnh 0,7 s, cuối 0,8 s.
words.json: total, scenes (mốc đầu cuối từng cảnh), segments (từng câu, điểm, cờ weak), words (từng từ hiển thị với start, end). Từ hiển thị giữ đúng chữ trong kịch bản, kể cả khi chữ đọc đã được đổi qua pron.