簡報旁白 是做什麼的？
工具：來自 video-generations 的 $VIDEO_ROOT/voice/（speak.py、speak_cast.py、polish_vo.py、mix_narration.py、el_cache.py）；$VIDEO_ROOT/models 中的模型（python studio/get_models.py）。
1. 像簡報者一樣寫作（腳本比聲音更重要）
-
絕對不要照螢幕唸。 螢幕上的文字陳述事實；旁白則賦予意義、情感或背後的故事。如果一句台詞完全重複螢幕上的文字，請改寫或刪除它。例外：產品名稱和最終標語。
-
每行只傳達一個想法。 簡短的句子，6–12 個字。使用口語英文，允許縮寫。
-
主角線索。 跟隨一個人物（例如 Aroon、Anita、Dr. Rao）並反覆提及他們；人們記住的是故事，而非功能。
-
終點聚焦。 將關鍵字放在句尾（「……每個團隊只擁有 一個。」）；語音自然會落在該處。前置背景資訊：「在……兩點十四分，清晨，// Aroon // 倒下。」
-
三的法則 用於好處和列表，節奏均勻。
-
對比與轉折： 問題 → 「現在，想像…… 」→ 解決方案。
-
開場： 每個段落以一個錨點開頭（「首先，針對家庭。」、「現在，走進醫院。」）。
-
結尾： 陳述句以句號結束，語調下降、完整。以承諾或標語、明確的邀請，然後是「謝謝。」來收尾。
-
節奏（內部風格）： 緩慢、充滿停頓的朗讀聽起來像機器人（「太多停頓，太少單詞」）。預設為流暢的簡報者節奏：
- 多數台詞使用速度 1.00，長列表/說明使用 1.02，標語和結尾使用 0.95–0.97，僅在單一情感鉤子處使用 0.93。
- 每行最多一個
...節拍停頓，且僅用在情感轉折處（「在兩點十四分，清晨 ... Aroon 倒下」、「如果 ... 只需點擊一次呢？」）。謹慎使用/；偏好單純的逗號。 - 以這種風格測量，速率約為每秒 2.6–2.8 個口語單詞（af_kore）。預算 = 單詞數 / 2.7 + 0.35 秒潤色尾部；一句台詞必須在下一視覺節拍前完成。
- 在問題鋪陳之後，以及解決方案的情感回報之後（「比第一晚更平靜。」），留下一個有意的沉默（1–1.5 秒，無台詞）。
- 密度：一部 2.5 分鐘的影片約有 230–250 個旁白單詞；每個場景至少有一句台詞，因此除了計畫中的沉默外，沒有任何場景的靜音時間超過約 3 秒。
-
誠實： 不虛構結果；虛構的名字和數字只是示範資料。
-
快速路徑（節省時間）： 寫好所有台詞 → 使用上述預算估算持續時間 → 在生成前於文字中修復超時問題 → 只生成一次。在筆記型電腦上重新生成每行約需 25–40 秒，因此大部分時間都花在需要重寫的文字上。
2. 標記（旁白檔案）
LINES = [(start_s, speed, text), ...]，VOICE = '...'，加上帶有朗讀說明的 docstring。範例：voice/examples/narration_demo.py。
/= 呼吸停頓（0.25 秒），//= 戲劇性停頓（0.55 秒），...= 節拍停頓（0.8 秒）。- 在
voice/lexicon.py中重新拼寫引擎唸錯的名字（例如 Arun → "Aroon"，Dr → "Doctor"），並先測試一行。 - 多人對話：
speak_cast.py使用LINES = [(key, voice, speed, text), ...]（voice/examples/dialogue_demo.py）。
3. 語音
- 引擎：透過 kokoro-onnx 的 Kokoro，離線，50+ 種語音。好的簡報者選擇：af_kore / af_heart（冷靜、自信的女性），hm_omega / hm_psi（印度男性），am_onyx（低沉男性），bm_george（英國男性），hf_alpha / hf_beta（印度女性）。混合有效：
hm_omega:0.6,am_onyx:0.4。 - 對於新的語音選擇，為每個候選人生成 3 個代表性台詞（鉤子、解決方案、標語），並讓使用者在完整運行前挑選。
- 無法強制單詞重音；可透過措辭、標點符號、停頓和速度來創造。精確強調需要真人錄音。
- 高級雲端語音：
voice/el_cache.py（ElevenLabs；每行計費一次，然後快取）。
4. 生成 → 潤色 → 混音
python voice/speak.py <narration>.py work/vo [voice]— 可中斷恢復；每個短語會單獨朗讀，然後與標記的靜音合併。python voice/polish_vo.py work/vo work/vo_polished— 修剪、暖聲/清晰 EQ、柔和壓縮、微妙的空間感、淡出尾音。python voice/mix_narration.py <silent.mp4> <music.wav> <narration>.py work/vo_polished <out.mp4>— 放置台詞，將長台詞最多加速 1.08 倍，僅在必要時移動後續台詞，壓低音樂音量，−16 LUFS，寫入.srt。- 檢查偏移報告。 每句台詞應與其視覺內容相差約 0.5 秒內。如果偏移累積，請縮短或刪除一句台詞（優先刪除重複螢幕內容的台詞），並將開始時間移動到其視覺節拍；重新混音時無需重新生成未修改的台詞。
若要重做某些台詞，請將其舊片段移開並重新執行
speak.py；它只會補齊缺少的片段。保持片段編號與 LINES 同步。 - 交付 MP4 和 SRT。