配音
把台词合成成 wav 文件，每段一个，并给出每段的时长，交给做视频的流程登记进 audio_meta.json、对齐字幕。全程无人值守时，不提问、不等回复，用得上哪种方式就用哪种，在制作备注里写清楚。
1. 选哪种方式（用第一个能用的）
- 通义语音（中文最自然，有很多音色）：环境变量
DASHSCOPE_API_KEY有值就用它。- 批量：把旁白写成
编号<TAB>台词的 tsv，运行node <本技能目录>/scripts/tongyi-tts.mjs --voice <音色> --lines voice/lines.tsv --outdir voice - 单句：
node <本技能目录>/scripts/tongyi-tts.mjs --voice <音色> --text "台词" --out voice/line-01.wav - 每句输出一行 JSON，含时长
seconds和每个句子的结束时间sentences[].end_s，用它们对齐字幕。 - 语速用
--speed（默认 1.0，0.9–1.15 之间调），一般不用改。
- 批量：把旁白写成
- HyperFrames 托管配音：没有通义 key、HyperFrames 已登录（
npx hyperframes auth status）而且还有额度时，用/faceless-explainer里的托管配音。 - macOS 系统中文语音（免费、本地、发音准）：
say -v "<音色>" -r <语速> -o voice/line-<编号>.aiff "<台词>"，再用ffmpeg -i …aiff -ar 48000 -ac 1 …wav转成 wav，用ffprobe读时长。语速-r默认约 180，语气急的角色可以调到 200–220。 - 都不行：做成无配音、字幕承载台词的版本，在备注里写明原因。
不要用 HyperFrames 自带的本地 Kokoro 念中文：中文发音错得很多，基本听不懂；纯英文台词可以用。
2. 选音色
- 先用内容所属系列（或账号）设定的音色：
get_item返回的account.voice。 - 没设定就按人设从本技能目录下的
voices.json挑：engine是tongyi的要有通义 key 才能用，macos的随时能用。设定的是通义音色、但现在没有 key，就挑一个性别和年龄接近的系统语音。 - 多个角色各用一个声音，全片保持一致；旁白用最稳的那个。
- 只用合成音色，不克隆、不模仿任何真人的声音。
3. 合成之后
- 用
ffprobe读每个文件的时长，按/faceless-explainer里处理已有配音文件的方式登记进audio_meta.json（文件放在项目里，标明来源），再跑时长同步和字幕。 - 念错的词（英文缩写、数字、多音字）改写成好念的说法再合成那一句；字幕仍显示原文。本机有
whisper-cli的话，回听抽查几句。 - 在制作备注里写明：用了哪种方式、哪些音色，退到下一种方式的原因。
4. 配置通义的 key（给用户看的）
这个技能不经过工作台的设置。要用通义，在项目的 .claude/settings.local.json（不进 git）里加：
{ "env": { "DASHSCOPE_API_KEY": "你的通义 key" } }
想所有项目都用，就写在 ~/.claude/settings.json 里。也可以直接在 Claude Code 里说「帮我配一下通义配音的 key」。key 在阿里云百炼控制台申请。