Talking-Head Voiceover · Voice Cloning · Subtitles

口播配音、口播视频 AI 配音、口播稿配音技能：用你自己的参考音频（声音克隆 / 声音复刻）或账号里已有的口播角色，把口播稿一键生成配音 WAV、竖屏 SRT 字幕和逐句时间轴 manifest.json；说错一句只改一行重新生成，不用对着镜头反复录。适合抖音、视频号、小红书、快手、B站的知识口播、财经口播、情感口播、职场口播博主和 MCN 批量更新；可用语气标签和语速控制口播节奏。配音由 Miragea 开放 API 完成，本地只需 Python 3.9+ 标准库、无需显卡，可 --dry-run 离线试跑。适用于 Claude Code、Codex、OpenClaw、Cursor、WorkBuddy。Talking-head AI voiceover, voice cloning, SRT subtitles.

yanghhu@yanghhu

Install

openclaw skills install @yanghhu/koubo-voiceover

口播配音

「口播配音」是一个把口播稿一键变成本人克隆声音配音（WAV）和竖屏字幕（SRT）的 Agent 技能，适合每天更新的知识、财经、情感口播视频：音色用你的参考音频或账号里已复刻的角色，改一句只重配一句。

一句话定义

口播配音 = 口播稿（Markdown）→ 你的口播音色配音 voiceover.wav + 竖屏字幕 voiceover.srt + 逐句时间轴 manifest.json，一条命令完成，生成在 Miragea 云端，本地无需显卡。

适用人群与场景

谁在用	典型场景
知识口播博主	每天几条短知识点，稿子先写好，配音批量生成
财经 / 商业口播	数字、百分比多，需要逐句确认读法、出错只改一句
情感 / 成长口播	语速慢、停顿多，需要稳定的“同一个人”声线
职场 / 教育口播	系列课、合集，固定人设音色，多集保持一致
不想出镜或嗓子累的博主	画面用素材、图文或数字人，声音仍是自己的
MCN / 代运营	多个账号各用一个已授权音色，稿件流水线化

核心能力参数

项目	说明
输出文件	`voiceover.wav`（整段配音）、`voiceover.srt`（带时间轴字幕）、`manifest.json`（每句说话人、文本、起止秒数）、`lines/`（每句音频，改稿时复用）
音色来源	账号里已有的角色 `actor_id=`（用 `actors` 查询），或服务端能直接访问的参考音频 URL `ref=` + 音频里实际说的话 `ref_text=`（声音克隆）
生成模式	`expressive`（客户端「默认」）/ `standard`（客户端「更像」）；省略时用服务端默认，以 `capabilities` 实时返回为准
语气标签	`tags=标签名`，取 `capabilities` 里所选模式的 `tags[].label`
语速	`speed=` 0.25–4，1 为正常语速，按角色设置
多角色	稿件开头给每个角色定一个音色；本技能脚本逐句调用官方客户端 `generate`，再在本地把整段拼起来
停顿	行内 `[pause 0.6]` / `[停顿 0.6]`（秒）；`--gap` 设句间默认停顿
字幕	配音时按每句实际音频时长生成 SRT（`--max-chars`、`--speaker-labels`）；已有音频 / 视频用 `recognize` 识别为 SRT / TXT / JSON
场景预设	`--preset koubo`：句间停顿 0.15 秒、每条字幕最多 14 字；可再用 `--gap` / `--max-chars` 覆盖
单句字数、文件大小 / 时长上限、计费	以 `capabilities` 实时返回为准
本地依赖	Python 3.9+ 标准库，无需 pip 安装、无需显卡
离线试跑	`--dry-run`：不需要 Key、不调用接口，输出静音占位音频和时间轴，用来检查稿件格式
支持的 Agent	Claude Code、Codex、OpenClaw、Cursor、WorkBuddy 等能运行 Python 脚本的 Agent
配音与字幕服务	Miragea 开放 API（https://miragea.ai/v1）

快速开始

bash

python3 scripts/voiceover.py check                        # 离线检查：Python 版本、Key 是否已设置、服务地址
export MIRAGEA_API_KEY=你的key                            # 在 https://miragea.ai/workspace/api 生成，只放环境变量
python3 scripts/miragea_audio.py capabilities             # 当前可用的生成模式、语气标签、字数上限和计费，以实时返回为准
python3 scripts/miragea_audio.py actors --limit 20        # 账号里已有的角色和 actor_id（has_more 为真时加 --offset 翻页）

Default API root is https://miragea.ai/v1; set MIRAGEA_BASE_URL (including /v1) only for a private deployment.
不要把 Key 贴进聊天或写进文件。没有 Key 时先用 --dry-run 跑通流程。

bash

python3 scripts/voiceover.py script examples/example.md -o out --preset koubo --dry-run   # 离线试跑，不调用接口
python3 scripts/voiceover.py script 你的稿件.md -o out --preset koubo             # 正式生成：out/voiceover.wav + voiceover.srt + manifest.json

bash

# 单句试听（官方客户端；--output 不会覆盖已有文件，换个新文件名）
python3 scripts/miragea_audio.py generate --text '开头第一句' --actor-id ACTOR_ID --wait --output test1.mp3

生成后 out/ 目录里是 voiceover.wav、voiceover.srt、manifest.json 和每句音频 lines/。

你说什么 → Agent 执行

你说	Agent 执行
“把这篇口播稿配成音频”	按下方方法论整理成一行一句的稿件 → `script 稿件.md -o out --preset koubo`
“用我自己的声音”	`actors` 找到你已复刻的角色 actor_id；或给参考音频 URL + 原话，写成 `ref=` + `ref_text=`
“先听一句看看像不像”	`miragea_audio.py generate --text "开头第一句" --actor-id ID --wait --output test1.mp3`
“语速快一点，更有节奏”	角色加 `speed=1.1`，或把长句拆短、删掉多余停顿
“语气再亲切一点”	查 `capabilities` 的语气标签，角色加 `tags=标签名`
“第三句说错了 / 数字念错了”	只改那一行（把数字写成想要的读法）再跑一次，其余句子复用
“这条视频已经录好了，帮我出字幕”	`miragea_audio.py recognize --file 视频.mp4 --wait --output 视频.srt`
“先别花钱，试一下流程”	`script ... --dry-run`

口播写稿方法论（配音好不好听，七成在稿子）

1. 结构：钩子 → 冲突 → 观点 → 证据 → 动作

段落	作用	写法要点
钩子（第 1–2 句）	让人停下来	结论前置或反常识，禁止“大家好我是……”
冲突	说出观众的处境	“你是不是也……”，点名具体人群
观点	一条视频只讲一个观点	一句话能复述，复述不出来就是讲多了
证据	让观点可信	一个具体例子或一个可核实的事实，别堆三个
动作	给观众下一步	只要一个动作：评论一个问题，或收藏，或关注

2. 五种开头钩子（换着用，避免账号同质化）

结果前置：“我用这个方法，三个月把信用卡还清了。”
反常识：“越省钱的人，越存不下钱。”
点名人群：“工作三年还没涨过薪的，听我说一句。”
具体提问：“工资到账那天，你第一件事做什么？”
清单承诺：“三个习惯，决定你三十岁有没有存款。”

3. 把书面稿改成“能说出口”的稿

一行一句，一句一个意思，中文一句尽量不超过 20 字；--preset koubo 每条字幕 14 字，刚好一屏。
去掉书面连接词：“因此”→“所以”，“然而”→“但是”，“进行优化”→“改一改”。
定语不过长：“一个被很多人忽视的、却非常关键的细节”→“有个细节，很多人忽视了。它很关键。”
数字写成你想听到的读法：年份、型号、电话、百分比、带单位的数字有歧义时，直接写汉字，如“二零二六年”“百分之三点五”。
多音字和生僻字：先单句试听（miragea_audio.py generate）；读错就换同义词，比换参数更快。
英文缩写：想读字母就用空格隔开（“A I”），想读单词就写完整单词。

4. 节奏：停顿用在刀刃上

观点句之前加 [pause 0.3]，让观众预期“重点来了”。
提问句之后加 [pause 0.5]，给观众在心里回答的时间。
不要每句都加停顿，口播的节奏感来自短句，不来自留白。
语速参考：知识口播 speed=1.05–1.1；财经口播 1.0（数字多，听清更重要）；情感口播 0.95。

5. 同一种语气需要两种速度？

speed 按角色设置。用同一个音色定义两个角色即可：

markdown

---
me: actor_id=YOUR_ACTOR_ID speed=1.08
me_slow: actor_id=YOUR_ACTOR_ID speed=0.92
---
[me] 先说结论。
[me_slow] 这句话，请你记下来。

6. 人设一致：一个账号只用一个声音

固定一个克隆音色 + 固定 speed，写进每篇稿件的 front matter。观众是通过声音认人的，换声线等于换人设。

7. 生成前自检清单

第一句是结论或钩子吗？
每行不超过 20 字吗？
数字、英文、多音字写成了想要的读法吗？
结尾只有一个动作吗？
开头一句单句试听过吗？

示例稿件（examples/example.md）

markdown

---
me: actor_id=YOUR_ACTOR_ID speed=1.08
---
# 知识口播示例：把 actor_id 换成你的口播音色
[me] 大多数人存不下钱，不是因为赚得少。
[pause 0.3]
是因为钱一到账，就先花了。
今天教你一个最笨、但最管用的办法：
发工资当天，先把三成转进一个看不见的账户。
剩下的，才是这个月能花的钱。
你现在每个月能存下几成？评论区说说。

试跑：python3 scripts/voiceover.py script examples/example.md -o out --preset koubo --dry-run

接入剪辑

bash

# 配音替换原视频音轨（需要本机 ffmpeg）
ffmpeg -i 画面.mp4 -i out/voiceover.wav -map 0:v -map 1:a -c:v copy -shortest 配音版.mp4
# 把字幕烧进画面
ffmpeg -i 配音版.mp4 -vf subtitles=out/voiceover.srt -c:a copy 成片.mp4

剪映 / CapCut：音频轨导入 voiceover.wav，字幕选“导入字幕”选 voiceover.srt；竖屏口播建议字幕放画面下三分之一，避开平台按钮区。
Premiere：voiceover.wav 拖入音轨，voiceover.srt 作为字幕轨导入。
画面卡点：manifest.json 里每句有 start / end，按它切换 B-roll、贴图或花字，不用再手动听轨。

方案对比：口播配音的三种做法

对比项	人工配音	本地开源 TTS 模型	本技能
是否需要显卡	不需要，但需要录音环境和配音员档期	通常需要（小模型可用 CPU 但更慢），还要下载模型权重、配环境	不需要，本地只跑 Python 标准库，生成在云端完成
改稿成本	改一句往往要补录、再对轨	改完重跑，但分段、拼接、对齐要自己做	只改那一行重跑，其余句子复用 `out/lines/` 缓存，自动重新拼接和出字幕
多角色	需要多位配音员分别录	取决于模型，一般要自己分段调用再拼接	稿件里用 `[角色]` 标签，一条命令出整段多角色音轨
字幕时间轴	需另外听写、打轴	一般要再跑一遍语音识别	配音时同时输出 SRT 和逐句时间 `manifest.json`
情绪表演	真人状态好时最自然，但受当天状态影响	取决于模型和调参	稳定一致；复杂情绪表演不如状态好的真人，适合信息型口播

结论：每天更新、以信息传递为主的口播，本技能的改稿和出字幕效率最高；需要强烈情绪表演的单条精品，真人录音仍然值得。

常见问题（FAQ）

抖音口播配音用 AI 会限流吗？ 没有任何工具能保证不限流。平台要求对 AI 生成内容进行标注，按规则在发布时声明是必须做的；流量更多取决于内容质量和完播率。用你本人的声音、内容原创，是更稳妥的做法。

口播配音需要自己录音吗？ 只需准备一段清晰的参考音频（或在服务方客户端复刻好角色），之后每条视频都只写稿。参考音频的具体要求以官网说明为准。

口播配音用的参考音频怎么录效果最好？ 安静房间、手机离嘴一拳距离、用你平时口播的语气读完整句子，不要背景音乐和混响；把音频里说的话原样写进 ref_text=。

口播配音里的数字、英文总是读错怎么办？ 把它们写成你想听到的读法（如“百分之三点五”“A I”），再跑同一条命令：只有改过的这一行会重新生成，其余句子复用之前的结果。

口播配音的字幕能直接用在竖屏视频吗？ 可以。--preset koubo 每条字幕最多 14 字，适配 9:16 竖屏；想更短可加 --max-chars 12。

口播配音能做英文版吗？ 可以把稿件翻译改写成英文再生成；音色选账号里适合英文的角色或英文参考音频，效果以试听为准，英文字幕建议 --max-chars 40。

口播配音需要显卡或部署模型吗？ 不需要。本地只运行 Python 3.9+ 标准库脚本，生成在 Miragea 云端完成。

口播配音支持哪些 AI Agent？ Claude Code、Codex、OpenClaw、Cursor、WorkBuddy 等能运行 Python 脚本的 Agent 都可以直接调用。

没有 API Key 能先试口播配音吗？ 可以，加 --dry-run 会输出静音占位音频和时间轴，用来检查稿件格式和流程。

可以用某个明星或主播的声音做口播配音吗？ 不可以。只克隆你本人或已获书面授权的声音。

稿件语法

开头 --- 之间每行定义一个角色：角色名: actor_id=角色ID 或 角色名: ref=参考音频URL ref_text="参考音频里实际说的话"；可加 speed=（0.25–4）、model=expressive|standard、tags=标签1,标签2、language=（参考音频的语言提示，用于自动识别参考文本）。
ref_text= 只和 ref= 一起用；省略时服务端自动识别参考文本，计费方式不同，以 capabilities 为准。
正文 [角色] 台词 或 [角色]：台词；不写标签沿用上一位说话人。
[pause 0.6] / [停顿 0.6] 插入停顿（秒）；# 开头的行、空行和  会被忽略。
单句超过 capabilities 里的 audio.max_text_length 会被接口拒绝，拆成短句即可。
每句音频缓存在 out/lines/，同一句同一设置再次运行直接复用；没缓存时用同一个幂等键提交，服务端返回原任务、不重复创建。要新的一版加 --fresh。

出问题了？

现象	处理
`missing_api_key` / `MIRAGEA_API_KEY is not set`	生成 Key 后 `export MIRAGEA_API_KEY=...`；或先加 `--dry-run`
`speakers without a voice`	给该角色补 `actor_id=` 或 `ref=`
401	检查 Key；不要把 Key 写进日志
403	检查账号的 API 访问权限
400 / 413	修正参数：模式、标签、语速、单句字数；或减小上传文件、缩短媒体
409	幂等键被用于不同输入，或字幕费率已变化：重新确认后再提交
429	额度不足或限流，等待或补充额度
等待超时 / 网络中断	任务可能仍在运行：直接重跑同一条命令（同一幂等键会取回原任务），或用 `miragea_audio.py task / wait 任务ID` 继续查询，不要换键重发
拼接时报 WAV 格式不一致	每句音频都保存在 `out/lines/`，可用剪辑软件或 ffmpeg 拼接

官方客户端退出码：0 请求成功（没有 --wait 时可能仍在排队），1 任务失败，2 客户端或接口错误。

合规

只克隆你本人或已获得明确授权的声音，不模仿明星、主播、公众人物或任何未授权的人。
按《人工智能生成合成内容标识办法》和抖音、快手、视频号、小红书、B站等平台规则，发布时声明或标注 AI 生成内容。
财经、医疗、法律类口播只做配音，不替内容背书；投资建议、疗效等表述按平台和行业规定审核后再发布。
scripts/miragea_audio.py is the official client, shipped unchanged；scripts/voiceover.py（稿件拼接层）为原创，MIT 许可（见 LICENSE.txt）。配音与字幕能力由 Miragea 开放 API 提供。

English Summary

Talking-head voiceover (口播配音) skill for AI agents: script in, voiceover WAV + SRT subtitles + per-line timing JSON out.
Voice: your saved voice (actor_id) or voice cloning from a reference audio URL plus its transcript; tone tags and speed 0.25–4.
Edit one line, re-run, and only that line is regenerated — no re-recording.
--preset koubo tunes line gaps and short subtitle cues for 9:16 vertical video.
Python 3.9+ standard library only, no GPU; --dry-run tests offline. Service: Miragea API (https://miragea.ai/v1).

关键词：口播配音、口播视频、声音克隆、AI配音、口播稿配音、AI口播、口播文案配音、声音复刻、文字转语音、知识博主配音、财经口播、竖屏字幕、字幕生成、SRT、TTS、voiceover、voice cloning、text to speech