演示旁白 是做什么的？
工具：$VIDEO_ROOT/voice/ 来自 video-generations（speak.py，speak_cast.py，polish_vo.py，mix_narration.py，el_cache.py）；模型位于 $VIDEO_ROOT/models（python studio/get_models.py）。
1. 像演讲者一样写作（脚本比声音更重要）
-
绝不照读屏幕。 屏幕文字陈述事实；旁白补充含义、情感或故事。如果一行文字与屏幕内容逐字重复，请重写或删除。例外情况：产品名称和最终标语。
-
每行一个想法。 短句，6-12 个单词。使用英语口语，允许缩写。
-
主线故事。 关注一个人物（例如，阿伦，阿尼塔，拉奥博士）并呼应他们；人们记住的是故事，而不是功能。
-
结尾焦点。 将关键词放在短语最后（“……每个团队只持有一个。”）；声音自然会重读它。上下文前置：“在……两点十四分，清晨，// 阿伦 // 倒下了。”
-
3 的法则 用于列出好处和列表，节奏均匀。
-
对比与转折： 问题 → “现在，想象一下……” → 解决方案。
-
开头： 每个部分以一个锚点开头（“首先，对于家庭。”，“现在，走进医院。”）。
-
结尾： 陈述句以句号结尾，语调下降、完结。以承诺或标语、明确的邀请结尾，然后说“谢谢。”
-
节奏（公司风格）： 语速缓慢、停顿过多会显得机械（“停顿太多，词语太少”）。默认使用流畅的演讲者节奏：
- 大多数行速度为 1.00，长列表/解释为 1.02，标语和结尾为 0.95–0.97，0.93 仅用于唯一的情绪爆发点。
- 每行最多一个
...保持节拍，且仅用于情感转折处（“两点十四分，清晨 ... 阿伦倒下了”，“如果 ... 它只需要一次点击呢？”）。少用/；优先使用普通逗号。 - 按此风格测量的语速：大约 每秒 2.6-2.8 个口语单词（af_kore）。预算 = 单词数 / 2.7 + 0.35 秒润色尾部；一行必须在下个视觉节拍前结束。
- 在问题铺垫后和解决方案的情感高潮后（“比第一晚还要平静。”）留出故意的静默（1-1.5 秒，无旁白）。
- 密度：一部 2.5 分钟的电影大约 230-250 个旁白单词；每个场景至少有一行，因此除计划中的静默外，没有场景的静默时间超过 3 秒。
-
诚实： 无虚构结果；虚构名称和数据为演示数据。
-
快速通道（为了节省时间）： 编写所有行 → 使用上述预算估算时长 → 在生成前在文本中修复超限 → 只生成一次。在笔记本电脑上重新生成每行大约需要 25-40 秒，因此大部分时间都花在了需要重写的文本上。
2. 标记（旁白文件）
LINES = [(start_s, speed, text), ...]，VOICE = '...'，加上包含交付说明的文档字符串。示例：voice/examples/narration_demo.py。
/= 呼吸停顿（0.25 秒），//= 戏剧性停顿（0.55 秒），...= 保持节拍（0.8 秒）。- 在
voice/lexicon.py中重新拼写引擎无法识别的名称（例如 Arun → “Aroon”，Dr → “Doctor”），并先测试一行。 - 多角色对话：为
speak_cast.py使用LINES = [(key, voice, speed, text), ...]（voice/examples/dialogue_demo.py）。
3. 语音
- 引擎：通过 kokoro-onnx 使用 Kokoro，离线运行，50+ 种语音。推荐演讲者选择：af_kore / af_heart（冷静、自信的女性），hm_omega / hm_psi（印度男性），am_onyx（低沉男性），bm_george（英国男性），hf_alpha / hf_beta（印度女性）。支持混合：
hm_omega:0.6,am_onyx:0.4。 - 对于新的语音选择，为每个候选者渲染 3 个具有代表性的行（钩子、解决方案、标语），然后在完整运行前让用户挑选。
- 无法强制词级重音；通过措辞、标点、停顿和速度来创造它。精确的重音需要人工录音。
- 高级云端语音：
voice/el_cache.py（ElevenLabs；每行计费一次，然后缓存）。
4. 生成 → 润色 → 混合
python voice/speak.py <narration>.py work/vo [voice]— 可中断恢复；每个短语被单独读出，然后与标记的静音连接起来。python voice/polish_vo.py work/vo work/vo_polished— 修剪、温暖/清晰均衡、温和压缩、微妙的房间效果、渐弱尾部。python voice/mix_narration.py <silent.mp4> <music.wav> <narration>.py work/vo_polished <out.mp4>— 放置行，将长行最多加速 1.08 倍，仅在必要时后移后续行，回避音乐，-16 LUFS，写入.srt。- 检查漂移报告。 每行应与其视觉节拍相差约 0.5 秒以内。如果漂移累积，请缩短或删除一行（优先删除重复屏幕内容的行），并将开始时间移到其视觉节拍；重新混合，无需重新生成未修改的行。
要重做某些行，将它们的旧剪辑移开，重新运行
speak.py；它只会填充缺失的剪辑。保持剪辑编号与 LINES 同步。 - 交付 MP4 和 SRT。