shield_lock
金大哥
← 返回 Skill 列表
extension
分类: 其它无需 API Key

视频配音

视频教学配音合成技能。当用户需要为录屏视频添加语音讲解、将文字转语音、合成视频配音时触发此技能。 适用场景：录制教学视频、配音合成、操作教程、PPT配音等。 特点：操作简单，只需在 WorkBuddy 里说一句话，自动完成一切。

person作者: user_a5827f21hubcommunity
download下载资源包

🎬 视频教学配音合成工具

在 WorkBuddy 里使用，把文字讲解和操作视频自动合成带配音的成品视频

🔔 首次加载指引（AI 必读）

加载本技能后，必须立即向用户推送以下信息（不要等用户问）：

  1. 使用方法摘要
  2. 文案模板文件路径，让用户能直接找到
  3. 用 deliver_attachments 把模板文件发送给用户

推送格式如下：

🎬 视频配音技能已就绪！

📋 使用方法：
1. 用文本编辑器打开文案模板，填写时间点和讲解文字
2. 告诉我：视频路径 + 文案路径 + 音色（可选）+ 字幕（可选）
3. 我会先确认参数，确认后自动合成

📝 文案模板路径：
   scripts/script_template.md

💡 示例："帮我合成视频配音，视频在 D:\教程\demo.mp4，文案在 D:\教程\script.md，用男声，加字幕"

🎙️ 可选音色：晓晓（女声，默认）/ 云希（男声）/ 晓伊（活泼女声）
📝 可选字幕：默认不加，说"加字幕"即可开启
⏱️ 配音溢出：默认冻结最后一帧（配音比视频长时画面定格），可改为慢放

然后调用 deliver_attachments 把模板文件发给用户：

  • 文件路径：scripts/script_template.md

⛔ 执行前确认（AI 必读，强制）

收到视频和文案路径后，AI 绝对不能直接执行脚本！必须先向用户确认以下参数：

确认流程

  1. 用户提供了视频路径 + 文案路径
  2. AI 补全未指定的参数（使用默认值）
  3. AI 向用户展示参数汇总，等用户确认或修改
  4. 用户确认后，AI 才执行脚本

必须确认的参数

| 参数 | 默认值 | 说明 | |------|--------|------| | 📹 视频 | （用户提供） | 确认路径正确 | | 📝 文案 | （用户提供） | 确认路径正确，并显示段落数 | | ⚙️ 引擎 | edge-tts | edge-tts（晓晓）/ 讯飞Spark（聆小糖）/ pyttsx3（离线） | | 🎙️ 音色 | 晓晓（edge）或聆小糖（Spark） | 详见音色表 | | 📝 字幕 | 不需要 | 是否在视频底部显示同步字幕 | | ⏱️ 溢出策略 | 冻结最后一帧 | 配音比视频长时如何处理 |

确认消息模板

AI 必须按以下格式向用户确认：

📋 请确认合成参数：

📹 视频：<视频文件名>
📝 文案：<文案文件名>（N 个段落）
⚙️ 引擎：<引擎名>（<音色>）
📝 字幕：<需要/不需要>
⏱️ 配音溢出：<冻结最后一帧/慢放视频/不扩展>

确认开始合成？如需修改参数，请告诉我。

示例

用户说："帮我合成视频配音，视频在 D:\教程\demo.mp4，文案在 D:\教程\script.md"

AI 回复：

📋 请确认合成参数：

📹 视频：demo.mp4
📝 文案：script.md（5 个段落）
🎙️ 音色：晓晓（女声，温柔讲解）
📝 字幕：不需要
⏱️ 配音溢出：冻结最后一帧（配音比视频长时，画面定格等配音说完）

确认开始合成？如需修改参数，请告诉我。

用户回复"确认"或"开始"后，AI 才执行 synthesize.py。

快捷确认

如果用户在第一次消息中就已经说明了音色和字幕，AI 仍然需要展示确认，但可以标注"已指定"：

📋 请确认合成参数：

📹 视频：demo.mp4
📝 文案：script.md（5 个段落）
🎙️ 音色：云希（男声，正式讲解）✅ 已指定
📝 字幕：需要 ✅ 已指定
⏱️ 配音溢出：冻结最后一帧

确认开始合成？

🔑 讯飞 Spark TTS 首次配置（可选）

如果只用 edge-tts（微软免费语音），可以跳过此步骤，无需配置讯飞凭证。 如需使用讯飞超拟人语音，则需要配置一次，之后长期有效。

配置步骤

  1. 注册讯飞开放平台账号 地址：https://www.xfyun.cn/services/smart-tts

  2. 创建应用并开通服务

    • 登录控制台：https://console.xfyun.cn
    • 「我的应用」→「创建应用」
    • 开通「超拟人语音合成（精品发音人）」服务

  3. 复制凭证到 config.py 打开 scripts/config_example.py，按注释提示填入：

    • SPARK_APP_ID
    • SPARK_API_KEY
    • SPARK_API_SECRET
    • SPARK_WS_URL（控制台中复制的 WebSocket 地址）
    • 保存为 scripts/config.py（去掉 _example）

  4. 验证配置 运行测试，确认讯飞 TTS 可以正常工作：

    cd scripts
python spark_tts_test.py

    成功后会生成 test_output.mp3，播放听到语音即配置成功。

⚠️ 隐私说明：config.py 中的凭证仅供个人使用，请勿上传到公开仓库。

🎯 一句话说明

把「文字讲解」和「操作视频」自动合成一个带配音的成品视频

💡 能帮您做什么？

| 场景 | 以前 | 现在 | |------|------|------| | 🎓 录制教学视频 | 边操作边说话，口干舌燥还容易出错 | 先安静录操作，再配讲解，轻松自如 | | 📝 写完文字想配音 | 花钱找人配音，或自己硬着头皮念 | 自动变成专业语音 | | 🎬 配音和视频对不上 | 反复调整，手动剪辑到崩溃 | 自动对齐，精确到每一秒 | | 💰 制作成本 | 配音师费用高，修改麻烦 | 完全免费，想改就改 |

🚀 使用方法（超简单！）

第一步：准备好两个文件

在电脑上准备：

📁 任意文件夹/
├── 📹 操作视频.mp4       ← 您的录屏或拍摄的视频
└── 📝 讲解文案.md       ← 一个简单的表格（模板我提供）

第二步：在 WorkBuddy 里说一句话

"帮我合成视频配音，视频在 D:\教程\demo.mp4，文案在 D:\教程\script.md，用男声，加字幕"

需要告诉 WorkBuddy：

  • 📹 视频文件在哪里 （必须）
  • 📝 文案文件在哪里 （必须）
  • 🎙️ 想要什么音色 （可选，默认晓晓女声）
  • 📝 是否需要字幕 （可选，默认不需要）

💡 建议一次说全，省去确认环节。没说的我会用默认值，但会先和你确认再开始。

第三步：确认参数

WorkBuddy 会先展示参数汇总，您确认后才开始合成：

📋 请确认合成参数：
📹 视频：demo.mp4
📝 文案：script.md（5 个段落）
🎙️ 音色：晓晓（女声，温柔讲解）
📝 字幕：不需要

确认开始合成？

第四步：等待完成

WorkBuddy 会自动：

  1. ✅ 读取您的视频和文案
  2. ✅ 把文字变成语音
  3. ✅ 合成最终视频
  4. ✅ 把成品发给您

📦 成品效果

直接在 WorkBuddy 里收到：

  • 📹 final_video.mp4 — 带配音的成品视频 ✅
  • 📄 字幕.srt — 字幕文件（如果选择了字幕）

🎙️ TTS 引擎与音色选择

技能内置两种语音合成引擎，用户可自由选择：

引擎对比

| 引擎 | 音色风格 | 网络要求 | 音质 | 费用 | |------|----------|----------|------|------| | edge-tts（默认）⭐ | 晓晓（温柔女声）、云希（男声）等 | 需要网络 | 高 | 免费 | | 讯飞 Spark | 聆小糖（女声）、聆非易（超拟人）等 | 需要网络 | 更高，更自然 | 讯飞免费额度 |

edge-tts 音色（默认，免费）

| 音色参数 | 效果 | |----------|------| | zh-CN-XiaoxiaoNeural ⭐ | 温柔女声，推荐！ | | zh-CN-YunxiNeural | 正式男声 | | zh-CN-XiaoyiNeural | 活泼女声 |

讯飞 Spark TTS 音色（更自然）

| 发音人 ID | 效果 | 说明 | |-----------|------|------| | x5_lingxiaotang_flow | 聆小糖（女声） | 甜美女声，推荐！ | | x5_lingfeiyi_flow | 聆非易（超拟人） | 超拟人，更自然 |

⚠️ 讯飞 Spark TTS 需要在 讯飞开放平台 开通服务并获取 AppID/APIKey/APISecret，凭证需自行配置（详见下方「首次配置」章节）。

使用方式：

"帮我合成视频配音，用讯飞配音"          → 讯飞 Spark TTS，聆小糖女声
"帮我合成视频配音，用edge-tts"         → edge-tts，晓晓女声
"帮我合成视频配音，用聆小糖"            → 讯飞，聆小糖
"帮我合成视频配音，用离线模式"          → pyttsx3，无需网络

📝 是否需要字幕？

可以选择是否在视频里显示字幕：

| 选项 | 说明 | |------|------| | 不需要（默认） | 纯配音视频 | | 需要字幕 | 视频底部显示同步字幕，观众可以看字幕跟读 |

使用方式：

"帮我合成视频配音，加上字幕"
"帮我合成视频配音，不要字幕"

⏱️ 配音溢出怎么办？

场景：视频某段只有 10 秒，但配音需要 20 秒才能说完。怎么办？

默认方案：画面定格在最后一帧，等配音说完再继续播放下一段。这对教程视频最自然——观众看着操作结果听讲解。

| 策略 | 效果 | 适用场景 | |------|------|----------| | 冻结最后一帧 ⭐ | 画面定格等配音说完 | 教程/操作演示（推荐） | | 慢放视频 | 视频放慢到和配音一样长 | 风景/展示类视频 | | 不扩展 | 配音被截断，超出的部分丢失 | 不推荐 |

使用方式：

"帮我合成视频配音"                    → 默认冻结最后一帧
"配音比视频长时，慢放视频"             → 改为慢放模式
"配音溢出时不要扩展视频"               → 不扩展

冻结最后一帧的效果示意：

源视频：[0:00-0:10 操作演示] [0:10-0:20 下一操作]
配音：  [0:00-0:09.5 详细讲解  ] [0:10-0:19.5 讲解2]

输出视频：[0:00-0:10 操作演示][0:10-0:19.5 定格画面] [0:20-0:30 下一操作]
配音：   [0:00-0:09.5 详细讲解        ] [0:10-0:19.5 讲解2            ]
                              ↑ 留0.5秒间隔避免叠加

📋 文案格式说明

格式要求

仅支持 .md 格式（Markdown 表格），不支持 .xlsx / .csv。 使用文本编辑器（记事本 / VS Code / Notepad++）编辑，不要用 Excel。

表格格式

| 列名 | 说明 | 示例 | |------|------|------| | 开始时间 | 这段话从视频第几秒开始 | 00:00、01:30 | | 结束时间 | 这段话到视频第几秒结束 | 00:05、01:35 | | 文案内容 | 要说的话 | 大家好，欢迎学习 |

填写示例

| 开始时间 | 结束时间 | 文案内容 | |----------|----------|----------| | 00:00 | 00:04.5 | 大家好，欢迎观看本教程。 | | 00:05 | 00:09.5 | 首先，点击左上角的菜单按钮。 | | 00:10 | 00:14.5 | 然后，选择系统设置选项。 | | 00:15 | 00:19.5 | 接下来，我们来进行参数配置。 | | 00:20 | 00:24.5 | 最后，点击保存按钮完成设置。 |

时间格式

两种格式，根据视频时长选择：

| 视频时长 | 格式 | 示例 | 含义 | |----------|------|------|------| | < 1小时 | MM:SS | 05:30 | 5分30秒 | | ≥ 1小时 | HH:MM:SS | 01:05:30 | 1小时5分30秒 |

⚠️ 常见错误：

  • 01:10 → 会被解析为 1分10秒（不是1小时10分钟！）
  • 视频超过1小时必须用 HH:MM:SS 格式

填写规则：

  • ✅ 正确：00:05、01:30（分:秒）
  • ✅ 正确：01:05:30（时:分:秒）
  • ❌ 错误：0:5（建议写 00:05）
  • ❌ 错误：超过1小时仍用 MM:SS 格式

⚠️ 段落衔接（重要！）：

TTS 语音有前后静音，两段时间不能完全紧挨，否则会有语音叠加：

❌ 错误（语音叠加）：

| 00:00 | 00:05 | 第一段 |
| 00:05 | 00:10 | 第二段 |  ← 0:05 处两段语音叠加

✅ 正确（每段提前 0.3-0.5 秒结束）：

| 00:00 | 00:04.5 | 第一段 |  ← 提前0.5秒
| 00:05 | 00:09.5 | 第二段 |  ← 下一行正常开始

原因：TTS 生成的语音前后各有约 0.2-0.3 秒静音，提前结束可避免叠加。

💬 示例对话

用户：帮我合成视频配音，视频在 C:\教程\demo.mp4，文案在 C:\教程\script.md

WorkBuddy：

📋 请确认合成参数：

📹 视频：demo.mp4
📝 文案：script.md（5 个段落）
⚙️ 引擎：auto（edge-tts，晓晓女声）
📝 字幕：不需要
⏱️ 配音溢出：冻结最后一帧

确认开始合成？如需修改参数，请告诉我。

用户：用讯飞配音试试

WorkBuddy：

📋 已更新参数：
⚙️ 引擎：spark（讯飞 Spark，聆小糖女声）

确认开始合成？

用户：确认

WorkBuddy：收到！开始合成...

📖 读取文案：5 个段落
🎙️ 开始生成语音... [引擎: 讯飞 Spark（聆小糖）]
   [1/5] 大家好，欢迎观看本教程...
...
🎬 合成视频中...
✅ 完成！
📦 已生成：
   • final_video.mp4

❓ 常见问题

Q: 运行时提示 Invalid voice 'zh-CN-Xiaoxiao'？ A: 这是 edge-tts 7.x 版本的兼容性问题。新版音色名必须带 Neural 后缀，不能用旧名（如 zh-CN-Xiaoxiao）。请确认 synthesize.py 中所有 generate_audio_edge_tts 调用都使用 zh-CN-XiaoxiaoNeural 格式（而非 zh-CN-Xiaoxiao）。

Q: ffmpeg 提示找不到或无法运行？ A: 请先确保已安装 ffmpeg。建议从 https://ffmpeg.org/download.html 下载 Windows 版本并添加到系统 PATH 环境变量。安装后可在命令行输入 ffmpeg -version 验证。

Q: 生成的 mp3 文件播放没有声音？ A: 请先在 Windows 资源管理器中直接双击 mp3 文件确认音频本身正常。如仍无声音，可能是电脑音频输出设置问题（如系统静音、默认播放设备非扬声器等），与脚本本身无关。可以用 pygame 或 VLC 验证音频播放是否正常。

Q: 需要花钱吗？ A: 完全免费，使用微软语音技术。

Q: 需要懂技术吗？ A: 不需要，会用电脑就行。准备好文件，剩下交给 WorkBuddy。

Q: 支持什么视频格式？ A: MP4、AVI、MKV、MOV 等常见格式都可以。

Q: 配音和视频对不上怎么办？ A: 您在文案表格里自己控制时间点，想在哪讲就在哪讲。

Q: 网络不好能用吗？ A: 需要网络来生成语音。离线模式会使用本地语音（音质略差）。

Q: 合成后视频没有声音？ A: 按以下步骤排查：

  1. 检测原视频是否有音频：

    ffprobe -v error -select_streams a:0 -show_entries stream=codec_name -of default=noprint_wrappers=1 视频.mp4
    • 无输出 = 原视频无音频轨道（正常，只需添加配音）
    • 有输出 = 原视频有音频（配音会替换原音频）

  2. 如需保留原音频 + 混合配音，需要手动使用 ffmpeg amix 滤镜：

    ffmpeg -i 原视频.mp4 -i 配音.mp3 -filter_complex "[0:a][1:a]amix=inputs=2:duration=longest[aout]" -map 0:v -map "[aout]" -c:v copy -c:a aac -b:a 128k 输出.mp4

  3. 常见原因：

    • 录屏时没有勾选"录制音频"
    • 原视频从无声素材剪辑而来
    • 配音文件本身问题（检查方法：直接双击 mp3 文件播放）

📥 获取文案模板

在 WorkBuddy 里说：

"给我视频配音的文案模板"

我会发给您！

🔧 技术说明

工作流程

1. 读取视频和 Markdown 文案
2. 按时间段生成语音（edge-tts / 讯飞 Spark / pyttsx3）
3. 检测配音是否溢出视频时段
4. 如有溢出：逐段切割视频 → 溢出段冻结帧/慢放 → 重新拼接
5. 调整音频时间轴匹配扩展后的视频
6. 用 ffmpeg 合成视频和音频
7. 生成字幕文件（如需要）
8. 输出成品

依赖版本（固定，防供应链投毒）

| 包 | 固定版本 | 说明 | |---|---------|------| | edge-tts | 7.2.8 | 微软 TTS 语音合成 | | pyttsx3 | 2.99 | 离线 TTS 备选 | | websocket-client | 1.8.0 | 讯飞 Spark TTS WebSocket | | ffmpeg | 用户自行安装 | 从 https://ffmpeg.org/download.html 下载，添加到 PATH 环境变量 |

⚠️ 无 pandas 依赖：文案读取使用纯 Python Markdown 解析，不依赖 pandas，避免供应链风险。

TTS 引擎参数

edge-tts 音色参数：

| 参数 | 音色 | |------|------| | zh-CN-XiaoxiaoNeural | 女声-晓晓（默认，温柔讲解） | | zh-CN-YunxiNeural | 男声-云希（正式讲解） | | zh-CN-XiaoyiNeural | 女声-晓伊（活泼讲解） |

⚠️ edge-tts 音色名均带 Neural 后缀，使用旧名称会报错 Invalid voice

讯飞 Spark TTS 发音人（需在讯飞控制台开通服务）：

| vcn 参数 | 发音人 | 风格 | |----------|--------|------| | x5_lingxiaotang_flow | 聆小糖（默认） | 甜美女声 | | x5_lingfeiyi_flow | 聆非易 | 超拟人，更自然 |

CLI 参数说明：

| 参数 | 说明 | |------|------| | --engine edge | 使用 edge-tts（默认） | | --engine spark | 使用讯飞 Spark TTS | | --engine pyttsx3 | 使用离线 pyttsx3（无网络时） | | --spark-voice x5_lingxiaotang_flow | 讯飞发音人选择 |

📁 技能文件

| 文件 | 说明 | |------|------| | SKILL.md | 本文件 | | scripts/synthesize.py | 核心处理脚本（支持 edge-tts + 讯飞 Spark TTS） | | scripts/script_template.md | Markdown 文案模板 | | scripts/config_example.py | 讯飞凭证配置模板（首次使用需配置） | | scripts/spark_tts_test.py | 讯飞 TTS 测试脚本（可选使用） | | scripts/README.md | 详细说明 |

⚠️ 注意事项

  1. 时间连续：每个段落的结束时间 = 下一个的开始时间
  2. 内容简洁：每段建议 10-30 个字，太长听起来不自然
  3. 文件路径：路径中不要有奇怪符号
  4. 网络要求：edge-tts 需要网络连接（生成语音）；ffmpeg 需要用户自行安装

📝 变更日志

| 版本 | 日期 | 变更内容 | |------|------|----------| | 1.6 | 2026-05-07 | ✅ 移除 pandas 依赖：去掉 xlsx/csv 支持，只保留 .md 格式，彻底消除供应链风险；新增音频诊断：合成前自动检测原视频音频轨道，FAQ 新增音频问题排查指南 | | 1.5 | 2026-05-07 | ✅ 双引擎融合：新增讯飞 Spark TTS 支持（--engine spark），用户可自由选择 edge-tts 或讯飞 |