mu-zi-lee 配音稿生成技能
将长文稿转换为结构化配音稿 JSON，用于批量 TTS 生成。
🎯 使用场景
- 文章 / 博客 → 有声版本
- 剧本 / 小说 → 有声书
- 视频脚本 → 配音
- 多角色对话 → 分角色朗读
📋 工作流程
┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ 用户给文稿 │ → │ AI生成JSON │ → │ 用户审核 │ → │ 批量生成 │
└─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘
Step 1: AI 分析文本生成配音稿
当用户说 "把这篇文章转成语音" + 贴上文章，按以下流程分析：
1.1 检测语言
根据文本内容判断：Chinese / English / Japanese / Korean
1.2 识别文本类型
| 类型 | 特征 | 处理方式 |
|---|---|---|
| 多角色对话 | 有 【角色名】 标记 |
解析角色名 |
| 无标记对话 | 有 "引号" 对话 |
标记为 character_1, 2... |
| 纯旁白 | 无对话标记 | 使用默认角色 旁白 |
1.3 智能切分
规则：
- 按段落分割（
\n\n） - 按句号切分（
。！？.!?） - 超过 300 字在逗号处二次切分
- 不在引号内切分
保持完整的情况：
"今天天气真好。我们出去吧。"→ 引号内不切我想……可能不行→ 省略号不切3.142.5%→ 数字不切
1.4 情感分析
为每段生成 instruct（10-20 字）：
| 文本特征 | emotion | instruct 示例 |
|---|---|---|
| 陈述事实 | neutral | 平静陈述 |
| 感叹号多 | happy/excited | 开心兴奋，语速稍快 |
| 问句 | neutral | 疑问上扬 |
| 省略号 | sad/calm | 低沉缓慢，略带叹息 |
| 描写场景 | calm | 舒缓平和，营造氛围 |
| 冲突对话 | angry | 语气激动，重音明显 |
1.5 确定模式和 Speaker
| 角色需求 | 推荐模式 | 配置 |
|---|---|---|
| 普通角色 | custom-voice | speaker: Vivian/Ryan |
| 特定音色（萝莉、大叔等） | voice-design | voice_instruct: 音色描述 |
| 真人声音 | voice-clone | ref_audio + ref_text |
内置 Speaker：
- Chinese →
Vivian（女） - English →
Ryan（男） - Japanese →
Ono_Anna（女） - Korean →
Sohee（女）
Step 2: 输出 JSON
标准模板
{
"version": "1.1",
"source": "文章标题或来源",
"language": "Chinese",
"default_mode": "custom-voice",
"silence_gap": 0.3,
"character_switch_gap": 0.5,
"total_segments": 5,
"character_map": {
"旁白": {
"speaker": "Vivian",
"default_instruct": "平静的叙述"
},
"角色A": {
"speaker": "Ryan",
"default_instruct": "年轻活泼"
}
},
"segments": [
{
"id": 1,
"character": "旁白",
"text": "第一段内容。",
"instruct": "情感/语气描述",
"emotion": "neutral"
}
]
}
输出时提示用户
这是生成的配音稿 JSON。请检查：
- 切分是否合理
- 角色分配是否正确
- 情感 instruct 是否合适
- 需要调整的 mode（custom-voice / voice-design / voice-clone）
修改后保存为
.dubbing.json文件，然后告诉我"帮我生成语音"。
Step 3: 批量生成语音
用户确认后，执行：
uv run qwen3-tts-skills/scripts/batch_dubbing.py \
--input article.dubbing.json \
--out-dir outputs
📖 三种模式配置
custom-voice（默认）
"character_map": {
"旁白": {
"mode": "custom-voice",
"speaker": "Vivian",
"default_instruct": "平静叙述"
}
}
voice-design
"character_map": {
"萝莉": {
"mode": "voice-design",
"voice_instruct": "稚嫩可爱的萝莉女声，音调偏高",
"default_instruct": "撒娇语气"
}
}
voice-clone
"character_map": {
"主播": {
"mode": "voice-clone",
"ref_audio": "voices/host.wav",
"ref_text": "参考音频的文本内容"
}
}
⚠️ voice-clone 不支持 instruct 情感控制
📝 instruct 写法参考
| 情感 | 示例 |
|---|---|
| 开心 | 开心愉快，语调上扬 |
| 悲伤 | 低沉缓慢，略带叹息 |
| 愤怒 | 语气激动，语速加快 |
| 惊讶 | 惊讶上扬，略微拖长 |
| 平静 | 平和舒缓，语速适中 |
| 紧张 | 语速略快，有些紧张 |
| 神秘 | 压低声音，营造悬疑 |
| 温柔 | 轻声细语，温柔亲切 |
| 严肃 | 庄重正式，一字一顿 |
| 撒娇 | 撒娇拖音，语调起伏 |
🔗 相关文档
- 格式规范：
references/dubbing_format.md - 完整示例：
references/examples.md - 主技能：
../SKILL.md
💡 快速示例
用户输入：
【旁白】清晨的咖啡店里，阳光透过玻璃窗洒落。
【小明】早上好！今天天气真不错！
【小红】是啊，我们一起去公园吧！
AI 输出：
{
"version": "1.1",
"language": "Chinese",
"default_mode": "custom-voice",
"silence_gap": 0.3,
"character_switch_gap": 0.5,
"total_segments": 3,
"character_map": {
"旁白": {"speaker": "Vivian", "default_instruct": "平静叙述"},
"小明": {"speaker": "Ryan", "default_instruct": "年轻活泼男声"},
"小红": {"speaker": "Vivian", "default_instruct": "温柔甜美女声"}
},
"segments": [
{"id": 1, "character": "旁白", "text": "清晨的咖啡店里，阳光透过玻璃窗洒落。", "instruct": "场景描述，舒缓平和", "emotion": "calm"},
{"id": 2, "character": "小明", "text": "早上好！今天天气真不错！", "instruct": "开心问候，语气上扬", "emotion": "happy"},
{"id": 3, "character": "小红", "text": "是啊，我们一起去公园吧！", "instruct": "兴奋期待，活泼语气", "emotion": "excited"}
]
}