音色档案与声线管理（一个角色，一个声音）
适用场景
- 为一个数字员工/角色建立稳定的声线（如小织的播报声）；
- 需要同一角色在多次任务里"听起来是同一个人"；
- 需要在不同引擎之间切换（本机 MLX / OpenAI 兼容端点）而不换声。
一、档案结构（工位事实源）
~/.workloom/voice-station/profiles/<profile-id>/
├── reference.wav # 参考音频（24kHz 单声道 PCM，来自本机麦克风或授权素材）
├── profile.json # 逐字转写、时长、质量指标、引擎音色 id、参考 sha256
└── consent.json # 授权声明（谁、什么范围、谁声明、证据、到期）
profile-id只允许[a-zA-Z0-9._-]，≤64 字符；命名建议<语言>-<角色>-<版本>，如zh-xiaozhi-v1；- reference.wav 只增不改：要换参考音频就新建版本 id（
zh-xiaozhi-v2）而不是原地覆盖——否则历史产物的声音无法复现； - 档案目录与授权回执同生命周期：撤回授权 = 停用档案并留痕，不删证据。
二、一个角色一个档案
系统的语音契约要求"同一角色第一次选中音色后必须锁定，后续段落不得重新猜测"（见 docs/voice-and-avatar-delivery-contract.md）。
配音师的对应做法：
- 每个角色只绑定一个 profile-id；
- 同一次任务的多段合成全部走同一档案；
- 需要"情绪变化"时改的是
instruct/ 语速，不是换人。
三、情绪、语速与韵律：能控什么
| 维度 | 手段 | 边界 |
|---|---|---|
| 语速 | speed / atempo | 播报 0.95–1.05×；配音 0.9–1.15×，超过 1.25× 会被时窗工具判 segment_overflow |
| 情绪/风格 | instruct（引擎支持时，如 [excited]、[whisper] 一类标签或自然语言指令） | 参考音频优先于指令：二者冲突时以参考音频为准 |
| 停顿 | 分句 + 段间 gap_ms（默认 180ms） | 播报段间 150–250ms；配音跟随时间窗，不额外加气口 |
| 音高 | 不做全局变调 | 变调会破坏音色一致性；需要更亮的声线应该重采参考音频 |
四、跨语言与方言
- 参考音频用原语言、逐字稿也用原语言；输出语言单独指定（"跨语言克隆"）；
- 中文普通话是第一优先；需要粤语/日语/韩语等，先确认引擎的语种覆盖（本仓默认引擎 OmniVoice 覆盖 646+ 语种，中文实测 RTF ≈ 1.2 @ M3）；
- 方言音色（如川普、东北腔）用同方言参考音频 + 匹配的
instruct，不要指望"普通话参考 + 指令"自动出方言。
五、多引擎口径（同一档案，不同后端）
| 引擎 | 克隆方式 | 档案要求 |
|---|---|---|
mlx（Apple Silicon 本机，默认） | 请求里直传 ref_audio + ref_text | 档案自包含，换机需重新登记（路径不出工位） |
openai（VoiceStudio :3900 / GPT-SoVITS :9880 等） | 音色在引擎侧登记，请求用 engine_voice_id | 档案里必须记 engine_voice_id 与引擎版本；引擎重建后要复核音色是否仍一致 |
mock | 无 | 仅 CI/干跑，不产出可用交付 |
换引擎 = 重新验收：同一档案在另一后端上要抽听复核（音色一致性 + 中文数字读法），确认后再切换。
输出契约
档案说明必须包含：profile-id、参考音频来源与授权范围、逐字转写、时长与质量指标、
绑定的引擎与 engine_voice_id、参考音频 sha256，以及"这个声音能用在哪些场景"的边界。
失败模式（症状 → 检测器 → 处置）
| 症状 | 检测器 | 处置 |
|---|---|---|
| 同一角色在不同段落"换人"了 | 任务内出现多个 profile-id / 音色未锁定 | 锁定单一档案重合成；情绪变化只改 instruct/语速，不换档案 |
| 历史产物声音无法复现 | 参考音频 sha256 与档案记录不一致（被原地覆盖） | 恢复版本化档案（-v2 新建而非覆盖）；重采后回归抽听 |
| 换引擎后音色变了 | 换后端未抽听复核 / engine_voice_id 未登记 | 抽听复核（音色一致性 + 中文数字读法）后再切；不一致则回退原引擎 |
| 为了"更亮"做了全局变调 | 变调（pitch shift）记录 | 禁止全局变调；重采更亮的参考音频 |
| 语速被拉到听感失真 | speed/atempo >1.25× 或 segment_overflow | 改文案（删冗余字）而不是加倍速；播报 0.95–1.05× 为常规带 |
| 方言没出来（普通话参考 + 指令） | 参考音频语种与目标方言不匹配 | 用同方言参考音频重采；指令不能替代语料 |
| 授权缺失/到期仍在使用 | consent.json 缺失、范围不含该用途或已过期 | fail-closed：停用档案并留痕，不删证据；补授权前不得出新片 |