buda-ai Audio & Subtitle Manager — 音频字幕管理器
管理视频的声音维度：将场景剧本中的对白转换为可用的配音指导和字幕文件，规划 BGM 和音效的时间轴，确保声画同步。
When to Use This Skill
- 从场景剧本提取对白，生成字幕文件 (SRT/ASS)
- 规划 TTS/真人配音的方案和参数
- 设计 BGM 编排和音效时间轴
- 生成音频混合 (Audio Mix) 指导文件
- 为不同语言生成多语字幕
What This Skill Does
- 对白提取: 自动从场景剧本中提取所有对白/旁白
- 字幕生成: 输出 SRT 或 ASS 格式的字幕文件
- 配音规划: 生成详细的配音指导 (语气、语速、情绪)
- TTS 参数: 为 AI 语音合成准备参数和文本
- BGM 编排: 规划背景音乐的时间轴和淡入淡出
- 音效列表: 汇总所有音效需求及其时间点
- 音频时间轴: 生成完整的声音层时间轴
How to Use
从场景剧本导出
从场景剧本生成字幕和配音方案
指定配音方案
为这些场景规划 TTS 配音:
- 角色 A: 男声，成熟专业
- 角色 B: 女声，活力年轻
仅生成字幕
提取场景剧本的对白，生成 SRT 字幕文件
Instructions
When user requests audio/subtitle management:
提取对白
从
./output/scripts/scenes/中扫描所有场景文件，提取对白：## 对白提取报告 **来源**: ./output/scripts/scenes/ (N 个场景文件) **总字数**: [XXX] 字 **预估配音时长**: [X:XX] **角色**: [列表] | 场景 | 时间段 | 说话人 | 对白内容 | 语气 | 预估时长 | |------|--------|--------|---------|------|---------| | S01 | 0:00 | 角色 A | "大家好..." | 自信 | 0:03 | | S01 | 0:03 | [旁白] | "今天我们..." | 沉稳 | 0:05 | | S02 | 0:08 | 角色 A | "你有没有..." | 好奇 | 0:04 | | ... | ... | ... | ... | ... | ... | **各角色对白量**: - 角色 A: [XXX] 字 / [X:XX] 时长 - 角色 B: [XXX] 字 / [X:XX] 时长 - 旁白: [XXX] 字 / [X:XX] 时长生成 SRT 字幕文件
1 00:00:00,500 --> 00:00:03,200 大家好，欢迎来到xxx。 2 00:00:03,500 --> 00:00:07,800 今天我要跟你聊一个 99%的人都不知道的秘密。 3 00:00:08,200 --> 00:00:12,000 你有没有想过为什么 有些人做视频就是能火？ 4 00:00:12,500 --> 00:00:15,800 答案其实很简单——SRT 规范:
- 每条字幕不超过 2 行
- 每行不超过 18 个中文字 / 42 个英文字符
- 最短显示时间: 1 秒
- 最长显示时间: 7 秒
- 字幕间间隔: 至少 200ms
- 阅读速度: ~15 字/秒 (中文) / ~21 字符/秒 (英文)
生成 ASS 字幕文件 (带样式)
[Script Info] Title: [视频标题] ScriptType: v4.00+ WrapStyle: 0 PlayResX: 1920 PlayResY: 1080 ScaledBorderAndShadow: yes [V4+ Styles] Format: Name, Fontname, Fontsize, PrimaryColour, SecondaryColour, OutlineColour, BackColour, Bold, Italic, Underline, StrikeOut, ScaleX, ScaleY, Spacing, Angle, BorderStyle, Outline, Shadow, Alignment, MarginL, MarginR, MarginV, Encoding Style: Default,Noto Sans SC,60,&H00FFFFFF,&H000000FF,&H00000000,&H80000000,0,0,0,0,100,100,0,0,1,3,1,2,30,30,50,1 Style: Speaker_A,Noto Sans SC,60,&H00FFFFFF,&H000000FF,&H00FF6600,&H80000000,-1,0,0,0,100,100,0,0,1,3,1,2,30,30,50,1 Style: Speaker_B,Noto Sans SC,58,&H00F0F0F0,&H000000FF,&H003366CC,&H80000000,0,0,0,0,100,100,0,0,1,3,1,2,30,30,50,1 Style: Emphasis,Noto Sans SC,72,&H0000FFFF,&H000000FF,&H00000000,&H80000000,-1,0,0,0,100,100,0,0,1,4,2,2,30,30,50,1 [Events] Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text Dialogue: 0,0:00:00.50,0:00:03.20,Speaker_A,,0,0,0,,大家好，欢迎来到xxx。 Dialogue: 0,0:00:03.50,0:00:07.80,Default,,0,0,0,,今天我要跟你聊一个\N99%的人都不知道的秘密。 Dialogue: 0,0:00:08.20,0:00:12.00,Speaker_A,,0,0,0,,你有没有想过为什么\N有些人做视频就是能火？ASS 样式说明:
- 为不同角色定义不同样式 (字色、描边色)
- 强调文字用特殊样式
- 可添加
{\fad(300,200)}淡入淡出效果 - 支持
\N手动换行 - 支持动画效果:
{\move},{\t},{\clip}
配音指导文档
## 配音指导 (Voiceover Guide) ### 全局设定 | 参数 | 值 | |------|-----| | 语言 | 中文普通话 | | 采样率 | 48 kHz | | 位深 | 24-bit | | 格式 | WAV (原始) / MP3 (成品) | | 码率 | 320 kbps (MP3) | --- ### 角色 A: [角色名] **声音特征**: - 性别:音色: [男声 / 女声 / 中性] - 音高: [低沉 / 中等 / 清亮] - 语速: [正常 ~200 字/分 / 偏快 ~250 / 偏慢 ~160] - 风格: [专业播报 / 亲切聊天 / 活力年轻 / 权威严肃] - 参考: [知名配音员 / 播客主持人 / 相似风格] **TTS 推荐** (AI 语音): - 平台: [Azure TTS / ElevenLabs / 讯飞 / MiniMax] - Voice ID: [推荐的声音 ID] - 参数: speed=1.0, pitch=0, emotion=friendly **逐段配音指导**: | SegID | 时间 | 对白 | 语气 | 语速 | 特殊指示 | |-------|------|------|------|------|---------| | A-01 | 0:00 | "大家好..." | 自信,微笑 | 正常 | 开场感，稍微提高音量 | | A-02 | 0:08 | "你有没有..." | 好奇,期待 | 稍慢 | 设问句，尾音上扬 | | A-03 | 0:15 | "答案其实..." | 揭秘,得意 | 先停顿再说 | [停顿 0.5s] 后开始 | --- ### 旁白 (Narrator) **声音特征**: - [与角色声音保持一致 / 用不同声音] - 距离感: [贴近耳边 / 中等距离 / 有回声感] - 语速: [偏慢 — 留给画面]BGM 编排
## BGM 编排方案 ### 音乐风格定义 **全局风格**: [电子/钢琴/吉他/管弦乐/Lo-Fi/...] **情绪关键词**: [轻快, 温暖, 科技感, 励志, 神秘] **参考曲目**: [列出类似风格的参考曲] **音量基准**: -20dB (对白时) / -12dB (纯音乐段) ### 时间轴 | 时间段 | BGM 描述 | 音量 | 过渡 | 对应场景 | |--------|---------|------|------|---------| | 0:00-0:05 | 开场 Intro — 短促有力的节拍 | -15dB → -20dB | Fade In 1s | S1: Hook | | 0:05-0:25 | 轻快节奏 — 持续铺底 | -20dB | — | S2: 介绍 | | 0:25-0:55 | 推进感加强 — 节奏略快 | -20dB | Crossfade 2s | S3: 要点 | | 0:55-1:00 | 小高潮 — 鼓点加强 | -15dB | — | S4: 案例 | | 1:00-1:30 | 沉稳深入 — 钢琴为主 | -22dB | Crossfade 2s | S5: 分析 | | 1:30-1:45 | 结尾升华 — 略带感动 | -18dB → Fade Out | — | S6: 总结 |音效列表
## 音效清单 (SFX List) | # | 时间点 | 音效描述 | 类型 | 时长 | 音量 | 来源 | |---|--------|---------|------|------|------|------| | 1 | 0:02 | 文字飞入 Whoosh | 转场 | 0.5s | -10dB | 素材库 | | 2 | 0:08 | 设问"叮"提示音 | 强调 | 0.3s | -15dB | 素材库 | | 3 | 0:15 | 翻页音效 | 转场 | 0.4s | -18dB | 素材库 | | 4 | 0:30 | 数据弹出 Pop | UI | 0.2s | -12dB | 合成 | | ... | ... | ... | ... | ... | ... | ... | **音效分类**: - 🔊 **转场** (Transition): whoosh, swipe, snap - 🔔 **强调** (Emphasis): ding, chime, impact - 🖱️ **UI** (Interface): click, pop, slide - 🌍 **环境** (Ambience): 办公室白噪, 城市, 自然 - 🎉 **情绪** (Emotion): 成功音, 惊喜, 紧张感音频时间轴汇总
## 音频时间轴 (Audio Timeline)0:00 0:10 0:20 0:30 0:40 0:50 1:00 |--------|--------|--------|--------|--------|--------|
配音 (VO): |==A-01==| |==A-02==| |====A-03====| |==A-04..
BGM: |▓▓▓ Intro ▓▓|░░░░ Light ░░░░░░░░░░|▓▓ Build ▓▓▓▓|
音效 (SFX): ↑ ↑ ↑ ↑ ↑ whoosh ding pop pop whoosh
字幕: |Sub1| |Sub2| |--Sub3---| |Sub4| |--Sub5---|
保存文件
保存到
./output/的以下位置：./output/ ├── subtitles/ │ ├── [video-name].srt # SRT 字幕 │ ├── [video-name].ass # ASS 样式字幕 │ └── subtitle-style-guide.md # 字幕样式说明 ├── audio/ │ ├── voiceover-guide.md # 配音指导文档 │ ├── bgm-timeline.md # BGM 编排方案 │ ├── sfx-list.md # 音效清单 │ └── audio-timeline.md # 音频时间轴汇总 └── scripts/ └── dialogue-extract.md # 对白提取表输出总结
✅ 音频字幕方案完成！ **字幕**: - SRT: `./output/subtitles/[name].srt` ([N] 条字幕) - ASS: `./output/subtitles/[name].ass` (含样式) **配音**: - 指导文档: `./output/audio/voiceover-guide.md` - 角色数: [N] 个 - 总配音时长: [X:XX] **BGM**: `./output/audio/bgm-timeline.md` **音效**: `./output/audio/sfx-list.md` ([N] 个音效) **Next Steps**: 1. 生成 TTS: `用 TTS 合成角色 A 的配音` 2. 修改字幕: `修改第 [N] 条字幕的时间` 3. 多语字幕: `生成英文版字幕` 4. 查看时间轴: `显示完整音频时间轴`
Tips
- 字幕跟着声音走: 先确定配音时长，再调整字幕时间
- BGM 不要盖住人声: 对白时 BGM 音量 -20dB 以下
- SRT vs ASS: 简单字幕用 SRT，需要样式效果用 ASS
- 字幕断行: 在语义自然停顿处断行，不要把一个词拆开
- 配音前先通读: 全文通读一遍，确保语气连贯
Related Skills
scene-scriptwriter— 上游：提供对白内容prompt-generator— 在剧照中嵌入字幕参考位置digital-human-integrator— 数字人口型同步需配合配音broll-generator— B-Roll 段落通常没有对白，只有旁白/BGM