viral-voice 是做什么的？
运行一次初始化：bash setup.sh。本指南中的脚本位于此文件旁边，请使用它们的完整路径。
1. 选择语音
询问用户想要哪种，并直接说明权衡：
| 选项 | 成本 | 质量 | 字幕时序 |
|---|---|---|---|
| 免费语音（默认） | 免费 | 清晰，略显平淡 | 精确，每个词在说出时点亮 |
| ElevenLabs | 他们的付费套餐或免费额度 | 最自然 | 当模型提供时间戳时精确 |
| 用户自己的声音 | 免费 | 最个性化 | 每行内估算。按节拍录制则更精确 |
用户自己的声音通常效果最好，因为人们能听出其中的诚意。无脸短视频不必无声。
# 免费语音。选择Midhun用于马拉雅拉姆语。使用 --voice ml-IN-SobhanaNeural 获取另一种马拉雅拉姆语语音。
python3 voice.py <project>
# ElevenLabs。需要 ELEVENLABS_API_KEY 和语音ID。马拉雅拉姆语需要支持它的模型，例如 eleven_v3。
python3 voice.py <project> --engine elevenlabs --voice <voice id> --model eleven_v3
# 用户自己的录音，整个脚本一次录制完成
python3 voice.py <project> --engine file --audio take.m4a
# 用户自己的录音，按节拍分文件（voice/b1.m4a, voice/b2.m4a）。这种方式时序更精确。
python3 voice.py <project> --engine file --audio voice/
来自其他工具的音频也可以通过 --engine file 使用，因此如果连接了语音生成工具，为每个节拍生成一个文件并传递文件夹。
对于录音，每行的字幕通过单词长度和停顿来计时。因此在一次长录音中，字幕可能偏差约一秒。在我们对一个真实的48秒马拉雅拉姆语短视频的测试中，大多数字幕误差在半秒内。如果看起来不对，请按节拍录制。
免费语音通过开源工具 edge-tts 运行在微软Edge的朗读服务上。这不是官方API，因此可能会改变或停止工作，任何将其用于客户或商业工作的人都应首先检查条款。如果用户正在为商业制作视频，请说明这一点。
2. 需要有人听
这些工具无法听到音频，timing.json 只显示脚本中的单词，从不显示实际说的内容。因此这里无法确认发音。要求用户听取 voice.wav，或者如果连接了转录工具，则转录并与脚本比较。如果两者都没有，直接说明语音未经审核。
当语音错误地读出一个词时，在 script.json 中为该节拍添加 "tts"，使用它能正确拼写的拼写，然后重新运行。字幕继续使用 say。尽可能保持 tts 中的单词数量与 say 相同。如果不同，voice.py 会打印一条注释，并且该节拍的字幕时间变为估算值。
如果一行听起来太急促，更改 --rate（默认 +8%）。--gap 设置节拍之间的停顿。
来自 lint_script.py 和 timing.py 的长度估算只是粗略的，可能短10-15%。实际长度是 voice.py 打印的。要达到目标，请更改 --rate 或删减单词，然后重新运行。
3. 再次查看画面
真实的语音已经移动了所有内容，因此在最终渲染之前查看：
node <viral-animate folder>/render.mjs <project> --stills beats
打开 stills/beats.jpg。绑定到 k、d 或 kit.at 的运动已跟随语音。任何具有固定秒数的运动则没有，因此需要在 scenes.js 中修复它们。
4. 音效
sfx.py 会自动运行：开始时有一个低沉的重击声，每个节拍变化时有一个轻柔的呼啸声。对于安静、情感化的片段，通过 script.json 中的 "sfx_auto": false 关闭它们。要添加更多音效，请列出它们，定位到某个单词以保持同步：
"sfx": [{ "beat": "b2", "word": "charger", "kind": "pop", "db": -14 }]
使用 "at": 1.1 替代 word 表示节拍内的秒数。如果节拍中没有该单词，则停止并给出清晰的消息。音效种类：
| 种类 | 听起来像 | 适用于 |
|---|---|---|
whoosh swell | 上升的空气 | 变化、飞入物 |
swipe | 快速刷过的空气 | 快速移动 |
pop | 小的圆润爆裂声 | 出现的事物 |
tick | 细小的干枯滴答声 | 计数器、小瞬间 |
click | 干脆的开关点击声 | 灯开关、按钮 |
knock | 指节敲木声 | 门、桌子 |
thump | 低沉的重击声 | 开场、大揭示 |
stamp | 带有重量的硬拍 | 判决、强调观点 |
它们都是合成的，因此没有授权风险。本工具包不添加音乐：它保持语音清晰并避免版权问题。如果用户想要音乐，可以在Instagram编辑器中添加。
5. 完成
python3 finish.py <project>
这会根据实际语音时序渲染全质量画面，混入音效，将响度设置为约-14 LUFS并写入 final.mp4。添加 --no-render 仅重新混音。
试用版本： 要测试其他钩子，复制项目文件夹，将另一个钩子的 say 放入 b1，将其 label 放入顶层 label，然后在副本上运行 voice.py 和 finish.py。绑定到 k、d 或 kit.at 的运动会跟随。检查 kit.at 中的单词是否仍然存在于新钩子中。
然后前往 /viral-check。在此之前不要认为短视频已完成。