ai-video-voice: 配音
使用時機
無聲影片（film.mp4）已存在。此技能負責添加配音、字幕及最終混音。它絕不修改畫面。
1. 先檢查語音設定
在進行合成之前，先執行 TTS 設定檢查（例如，若 TTS 工具提供「doctor」命令）。向使用者回報缺少的設定；不要默默地切換到另一個語音。
- 若使用者要求使用個人語音，但其設定遺失或損壞，僅暫停受影響的配音。不要默默地替換成另一個語音。
- 個人語音設定、錄音、參考片段和模型權重應保留在私人目錄中。它們絕不進入此儲存庫。
2. 一次性合成
- 以一次性合成的方式產生配音，而不是逐句拼接。逐句拼接會產生可聞的接縫和時間漂移。
- 如果語音模型或參考片段變更，請產生新版本的配音。切勿覆蓋舊的音訊檔案。
3. 影音同步使用實際持續時間
- 根據配音的實際持續時間進行同步。絕不要為了配合鏡頭而進行時間拉伸。
- 如果素材太短，則保留最後一個影格來填補空白。如果素材太長，則剪掉資訊量最低的片段。
- 將重頭動作落在強拍上。將音效從動作本身移開。
4. 字幕跟隨音訊
- 字幕時間碼來自音訊，而非腳本估計。若有語音辨識器，則進行辨識；若無，則使用腳本加上靜音檢測（誤差可達 0.4 秒）。
- 根據腳本更正辨識錯誤。剪掉屬於相鄰句子的開頭和結尾句子。
- 提供
captions.srt與影片一起交付。如果影片是為會自行添加字幕的剪輯軟體而重新剪輯，則同時提供無字幕影片及.srt檔案。
5. 混音
- 將混合音訊標準化至 -14 LUFS。
- 將音樂、配音和音效保留在同一條時間軸上，與畫面同步。
- 在移交審查之前，檢查音訊峰值並進行完整解碼。
輸出合約
voiceover.wav（或.mp3），一次性合成。captions.srt。mix-report.md（持續時間、峰值、LUFS、字幕來源及誤差範圍）。
規則
- 缺少語音設定僅會阻止配音。絕不會阻止腳本或畫面工作。
- 切勿在字幕檔案來自靜音檢測時聲稱其時間碼完全精確；請在混音報告中寫明誤差範圍。
- 未經發布授權，不得上傳或部署音訊。