長影片語音 是做什麼的?
長影片工作流程的第七階段。輸出:一個包含音訊檔案的資料夾,每個口語行一個檔案,按場景與說話者命名。或決定影片不需要語音。
場景是指腳本中的一個片段(一個鏡頭,最多 10 秒),按影片中的順序編號,與先前階段相同。
開始之前
- 在
~/.long-video/projects/<slug>/中找到專案。需要video-script.md且其status為approved,以及film-style.md。 - 載入專案組態:語言、旁白來源與提供者(
audio.voiceover)、providers.tts、核准層級、預算。 - 從
film-style.md讀取說話模式與聲音描述。 - 如果
audio/或voice-scripts/已存在,詢問:繼續(列出已完成內容)或重新開始。
步驟 1:影片是否需要語音?
先自行判斷再詢問。檢查:
film-style.md中的說話模式(旁白、角色、混合),- 組態中的
audio.voiceover.source(none、self-recorded、cloud-tts、local-tts), - 腳本中包含多少旁白或對白行,以及分佈在多少場景中。
然後給出建議並附上理由,請使用者確認。例如:「腳本中有 142 行旁白,分佈在 104 個場景中的 96 個,且組態使用雲端文字轉語音。我建議使用有旁白的影片。您要我建立聲音嗎?」
- 如果腳本中沒有口語行,或組態設為無旁白:建議跳過,並說明理由。
- 已核准。 繼續執行步驟 2。
- 不需要。 在
project.json中設定"voice_mode": "none"和"stage": "voice-skipped"。告知後續階段將僅使用音樂與音效。停止。 - 不同意建議。 遵循使用者意願。如果原本語音設為
none而使用者現在想要,則更新組態備註。
未經使用者確認,絕不擅自建立任何聲音。
步驟 2:建立配音陣容
- 列出每位說話者:旁白(如果有的話)以及每個有對白的角色。統計每人的行數。
- 對於每位說話者,從
film-style.md取得聲音描述(年齡、語氣、口音、速度)。如果缺少描述,則從visual-bible.md的角色描述中提出一個,並標記為「建議」。 - 以表格呈現陣容:說話者、ID、行數、聲音描述。請使用者確認或編輯。
- 說話者 ID:
narrator,或角色 ID 去掉char-前綴(例如char-mara變成mara)。這些 ID 將用於檔案名稱。
步驟 3:選擇音訊製作方式
詢問:「要由 Claude 產生聲音,還是您自行製作(錄音或使用您自己的工具)?」
- Claude 產生。 前往步驟 4。
- 我自行製作。 前往步驟 6。
- 兩者都做。 撰寫語音腳本(步驟 6)並同時產生(步驟 4)。
- 如果
audio.voiceover.source是self-recorded,直接前往步驟 6。
步驟 4:尋找語音工具並製作樣本
閱讀 references/voice-generation.md。簡而言之:
- 如果組態中已儲存方法(
providers.tts),則使用它。進行測試。 - 在本次工作階段中尋找已連接且能產生語音的工具(ElevenLabs MCP 或類似工具,或具有語音工具的技能)。
- 檢查裝置上的 API 金鑰環境變數。僅輸出「已設定」或「未設定」。
- 檢查本機文字轉語音工具。
- 如果找不到任何工具,詢問使用者是否有 API 金鑰(作為環境變數,切勿貼在聊天中)、可連接的 MCP 伺服器,或瀏覽器中的語音網站。或者前往步驟 6。
先製作聲音樣本。未經使用者核准聲音之前,絕不產生完整音訊。
- 為每位說話者挑選符合描述的聲音。列出工具的聲音並從中選擇。切勿使用記憶中的聲音 ID。如果工具可以根據描述設計新聲音,則為難以匹配的聲音提供此選項。
- 為每位說話者製作一個短樣本(5 到 15 秒)。使用該說話者在腳本中的實際台詞,語言為組態語言。對於旁白,使用開場台詞。如果台詞有表演說明,請一併加入。
- 將樣本儲存至
audio/samples/,檔名為sample_<speaker>.mp3。 - 逐一呈現每個樣本,附上說話者、聲音名稱與台詞。請使用者核准,或要求換另一個聲音。如果使用者要求換聲音,則製作一個新樣本(一次一個,切勿批次重試)。重複直到每位說話者都獲得核准。
- 將核准的聲音記錄在
voice-cast.md中(說話者、聲音名稱、聲音 ID、設定、樣本檔案)。更新film-style.md中的聲音清單以保持一致。
請勿重複執行產生呼叫來重試。每次呼叫都可能再次收費。
步驟 5:產生台詞
- 閱讀
references/voice-script-format.md。從腳本建立台詞清單:每個口語行一個項目,按場景順序排列。 - 告知使用者行數、總口語時間以及約略成本。開始前先詢問。提議從某個範圍開始,例如場景 1 到 10。
- 測試場景。 產生第一個有語音的場景。播放或回報其持續時間。詢問效果是否正確。先修正設定。
- 依照場景順序,僅使用已核准的聲音進行產生。套用表演說明。使用台詞清單中的發音註記。
- 將每個行儲存為
audio/lines/scene-<NNN>_<speaker>_<NN>.<ext>。未經詢問,絕不覆寫檔案。 - 每個檔案產生後,使用
ffprobe測量其持續時間。與腳本中該場景的持續時間進行比較(請參閱格式參考中的符合規則)。記錄結果。 - 如果某一句話不符合其場景,請勿更改文字。提供選項:稍微加快語速(最多 10%)、延長場景時間(仍在 10 秒限制內),或經使用者核准後將台詞拆分到兩個場景中。
- 全部一次完成或逐個進行:詢問使用者。逐個進行時,會播放每個行的結果,等待核准或重做要求。
- 如果工具在影片剪輯中自行產生音訊(嘴型同步),詢問是要保留該音訊還是使用這些檔案。將答案記錄在
audio/status.md中。
如果產生失敗或使用者拒絕,則對於剩餘場景,回退到步驟 6。
步驟 6:使用者的語音腳本
- 建立
audio/lines/用於存放完成的音訊檔案,以及voice-scripts/用於存放台詞清單。顯示完整路徑。 - 撰寫包含 20 個場景的批次檔案(
scenes-001-020.md)與voice-scripts/index.md,遵循格式參考。每個行包含:- 要儲存的檔案名稱:
audio/lines/scene-007_narrator_01.mp3 - 說話者與聲音描述
- 確切文字、表演說明與發音註記
- 場景持續時間,以便檢查音訊是否符合
- 要儲存的檔案名稱:
- 詢問:全部一次完成,或逐個進行。
- 全部一次完成。 顯示資料夾路徑與一個範例。使用者自行處理批次檔案。
- 逐個進行。 顯示第一個行及其檔案名稱。等待使用者告知已儲存。檢查該檔案是否存在且名稱正確,並測量其持續時間。然後顯示下一個行。
- 隨時提供檢查資料夾的選項:比對檔案與索引,並列出遺失、命名錯誤或太長的聲音。
步驟 7:狀態與完成
- 保持
audio/status.md與格式參考中的表格一致。狀態值:pending、done、needs-manual、skipped。 - 更新
project.json:在台詞清單儲存後設定"stage": "voice-prompts-done",在每個口語行都有音訊檔案且使用者核准該組時設定"stage": "voice-done"。 - 告知使用者
audio/與voice-scripts/的路徑、口語總時間與影片時間的比較,以及缺少或過長的內容。 - 提議將正在使用的工具儲存在組態中(
providers.tts),僅限方法與名稱。 - 提議繼續進行
long-video-sound(音效、氛圍與背景音樂)。僅在使用者同意時才啟動。除非使用者要求且該階段存在,否則不要啟動任何後續階段。
規則
- 未經使用者在步驟 1 中確認,絕不建立聲音。
- 在聲音樣本核准之前,絕不產生完整音訊。
- 絕不更改腳本文字。如果某一句話不符合,先詢問。
- 絕不使用非來自工具自身聲音清單或使用者提供的聲音 ID。
- 絕不在聊天中詢問 API 金鑰。絕不輸入密碼或解決瀏覽器中的 CAPTCHA。
- 絕不默默地重複產生呼叫來重試。每次呼叫都可能再次收費。
- 台詞清單核准後,絕不重新命名檔案。
- 保持聊天訊息簡短。將完整的台詞清單放在檔案中。