Kokoro 旁白
使用经批准的文本和共享生成器;不要复制项目特定的 TTS 脚本,也不要将预测的时间戳替换为估算的句子时间。
.venv-kokoro/bin/python tools/kokoro/generate_audio.py --project projects/NNN-topic
该助手支持匹配美式/英式英语语音,采样率为 24 kHz。仅当需要安装、解决依赖失败或更改语言时才阅读设置与语言参考;请先检查解释器(interpreter/pyvenv.cfg)。在添加依赖前先询问。其他语言需要受支持的提供方或试听;切勿承诺通过英语音素实现原生越南语。
修订与复用
保持稳定的唯一场景 ID。生成器会检查文本/发音、模型、语音、语言、速度、采样率、包以及生成器/字幕代码版本、WAV 哈希/时长和单词/字幕覆盖率。仅合成无效的场景;未更改的 WAV 和时间戳将按位保留。旧的已验证清单可以采纳一次。完全未更改的运行也会保持清单不变。生成在所有结果就绪后才交换语音目录;失败时会保留之前的设置。不要对同一项目同时运行写入操作。
使用 --force 有意重新生成所有片段,包括在同一模型标识符下更改本地缓存模型权重之后(权重字节不在缓存键中)。新的模型/语音/速度会使每个受影响的片段失效。仅音乐修订不需要调用 TTS。
使用脚本的发音映射规范化缩写、数字和 URL。保留源文本与口头文本的区别;字幕遵循口头文本,除非另行对齐。每个意图表达只说出一次。标点符号不是时间保证。
在场景帧之前测量实际 WAV 时长。在增加速度之前,对密集场景进行缩短、扩展或拆分;绝不要裁剪语音以适配猜测的时长。如果需要,保留原始音频并创建单独的填充/重采样衍生文件。
验证
生成后运行工作流预检。要求完整的、有序的、范围内的单词,短语边界,正确的采样率,非空且可解码的音频以及已测量的时长。时间戳包含实际前序片段长度并附加标点。检查缺失/重复/裁剪的单词、发音、停顿、峰值和尾部空间。在可能的情况下进行试听;预测的对齐不是独立的转录。检查连续三个渲染的高亮片段和一个后续场景/片段,遵循默认值。记录未执行的试听。