AI 口播配音 · Voice-over with edge-tts
逐句合成 → 去靜音 → 48 kHz WAV → durations.json。後續的字幕、鏡頭時長都按真實配音時長對齊，不再「聲畫對不上」。
屬於 ecommerce-video-skills 的一部分 · 腳本：
scripts/tts_edge.py（僅依賴edge-tts+ ffmpeg）
輸入 Inputs
- 口播稿（一句一行，或
storyboard.json的line欄位） - 語言 / 音色偏好（男/女、活潑/沉穩）、語速
- 環境：
pip install edge-tts，ffmpeg，能存取微軟 TTS 服務的網路
步驟 Steps
-
改寫成「好讀」的口播稿（見規則），每句 8–20 字。
-
選音色（
python scripts/tts_edge.py --list zh-CN查看全部）：場景 推薦音色 活力種草（男） zh-CN-YunxiNeural親切種草（女） zh-CN-XiaoxiaoNeural/zh-CN-XiaoyiNeural激情促銷 zh-CN-YunjianNeural專業講解 zh-CN-YunyangNeural台灣 / 香港 zh-TW-HsiaoChenNeural/zh-HK-HiuMaanNeuralEnglish en-US-AndrewNeural·en-US-AvaNeural·en-US-EmmaNeural -
合成：
pip install edge-tts # 單句試聽 python scripts/tts_edge.py "夏天帶冰水出門，不到中午就變溫了？" --voice zh-CN-YunxiNeural --rate "+10%" -o out/hook.wav # 整個分鏡（每鏡一句 → build/tts/l00.wav … + durations.json） python scripts/tts_edge.py --storyboard storyboard.json --outdir build/tts -
試聽 2 句再批量：語速
+5%～+15%最像帶貨口播；超過+20%會顯得很趕。 -
交給
ffmpeg-auto-assemble（它會自動呼叫本腳本）或自己的剪輯軟體。
口播稿改寫規則 Script rules
- 數字寫成「讀法」：
2核8G→兩核八G；24h→二十四小時；型號字母之間加空格A I。字幕可以保留原寫法（sub欄位）。 - 一句只說一件事；逗號就是換氣點，句末用句號/問號讓語調落下來。
- 去掉書面詞：「此款產品具有…」→「這隻杯子…」。
- 英文品牌名若讀錯，用拼讀或諧音寫進
line，sub保留正確拼寫。
提示詞模板 Prompt template
把下面的帶貨文案改寫成適合 TTS 朗讀的口播稿：每句 8–20 字、一句一件事、口語化；
數字和字母寫成讀法；另外輸出一列「字幕版」保留原始寫法並用 **加粗** 標 1 個關鍵詞。
不要添加原文沒有的賣點或數據。原文：{…}
檢查清單 Checklist
- 先試聽 2 句確認音色/語速
- 數字、英文、品牌名讀音正確
-
durations.json已產生，總時長符合目標 - 商用前確認所在平台與地區對 AI 配音的標註要求（如需標註「AI 生成」）
常見問題與修復 Failure fixes
| 問題 | 修復 |
|---|---|
edge-tts failed / 超時 | 網路問題，腳本已重試 3 次；換網路或稍後再試；離線時用 assemble.py --tts none 先預覽畫面 |
| 讀音錯誤 | 在 line 裡寫諧音/拼讀，sub 保留原文 |
| 句子之間停頓太長 | 已自動去首尾靜音；調 storyboard 的 pad（預設 0.25s） |
| 聲音太平 | 換 YunjianNeural/XiaoyiNeural；--pitch "+5Hz"；句尾用問號/驚嘆號 |
| 需要真人感 | edge-tts 是合成音；高要求場景改用真人錄音，流水線照樣可用（把錄音放進 build/tts/lXX.wav） |
edge-tts 由社群維護（rany2/edge-tts，LGPL-3.0），呼叫的是微軟線上服務；本倉庫只把它當依賴安裝，不包含其程式碼。