视频自动配音技能

为无声的屏幕录制演示视频生成专业级语音旁白。

工作流程

1. 分析视频

提取关键帧，理解屏幕上发生的内容：

# 每5秒提取一帧
./scripts/extract-frames.sh <video_path> [output_dir]

• 仔细查看每一帧提取结果，以建立完整理解。
• 识别叙事脉络：当前的背景设定、主要动作、关键节点以及最终成果。

2. 编写语音脚本

撰写演示风格的旁白——不是枯燥的描述。遵循以下结构：

编写指南：

• 使用口语化、自信的语言，如同向同行演讲。
• 使用简短有力的句子增强节奏感，句式长度应有变化。
• 突出“顿悟时刻”——即出现意外或巧妙解决方案的关键点。
• 在故事中提及具体工具、命令和数值时，确保其对叙事有意义。
• 结尾用一句令人难忘的总结句，概括核心价值。
• 总字数需匹配视频时长（正常语速下约每秒2.5词）。

将脚本保存为 <video_name>_voiceover.md，与视频文件同目录。

3. 生成 TTS 音频

使用生成脚本合成每个旁白段落的音频：

./scripts/generate-tts.sh <script_sections_file> <output_dir> [voice] [rate]

或通过 Python 使用 edge-tts 直接生成：

• 语音选择：en-US-GuyNeural（自然男声）或 en-US-AvaNeural（自然女声）
• 语速调整：在 +0% 到 +10% 之间调节，以适配视频时长
• 将每个段落分别生成音频文件，便于精确控制时间
• 使用约 0.4 秒的静音间隔拼接各段音频
• 确认总时长与视频基本一致（允许 ±2 秒误差）

4. 将音频合并到视频

./scripts/merge-audio.sh <video_path> <narration_audio> [output_path]

• 保留原始视频编码格式（直接复制，不重新编码）
• 音频编码为 AAC，码率为 192kbps
• 使用 -shortest 参数，使输出时长以较短的一方为准
• 验证输出文件是否同时包含视频和音频流

时间控制策略

1. 先生成所有音频段，测量每段时长
2. 统计总语音时长与视频时长对比
3. 若语音时长 超过视频时长 105%：精简脚本或提高语速
4. 若语音时长 低于视频时长 85%：可能节奏过快，建议补充细节或降低语速
5. 拼接时使用 0.3–0.5 秒的静音间隔，目标总时长控制在 ±2 秒内

前置条件

如未安装依赖，请执行以下命令：

pip3 install edge-tts   # Microsoft 神经网络语音合成（免费，无需 API 密钥）
brew install ffmpeg      # 或使用 apt-get install ffmpeg

输出结果

该技能生成以下内容：

1. **<name> (带旁白).mov** — 嵌入语音旁白的视频文件
2. **<name>_voiceover.md** — 带时间标记的脚本，可用于参考或重新录制