三剪客 · 有声书生产线
## ⚠️ 先申请你自己的 API Key
本 Skill 不内嵌任何密钥,也不代付费用。 请到
算力集市 api.a7w.cn 注册并创建你自己的 API Key
(新用户有赠送点数,可以先免费试跑几次)。
拿到后填进环境变量A7W_API_KEY,或直接传给--key参数。
请勿使用他人提供的 Key —— 用量与费用都记在 Key 所属账号上。
能做什么
给一本小说或长文本,一条链路产出一本能听的有声书:
split → cast → voice → subtitle → join
章节切分 对白/旁白 分角色 字级时间戳 章节清单 +
(纯本地) 分配音色 逐章配音 SRT / VTT 时长台账
它替代的是有声书生产里最卡人的那一段:不是"读不出来",而是
"一本书怎么切章、谁在说、说了多久、字幕对不对得上"。这四件事定不清楚,
录出来就是一堆正确但没人听得下去的音频。
| 子命令 | 做什么 | 花不花钱 | 产出 |
|---|---|---|---|
split | 章节切分 | 纯本地,零调用 | chapters.json + chapters.md |
cast | 识别对白 / 旁白 + 分配音色 | 本地零成本;--llm 才逐章一次文本调用 | cast.json + cast.md |
voice | 逐章配音(多音色) | 先报价,按千字计费 | voice/*.mp3 + voice/index.json |
subtitle | 字级时间戳出 SRT / VTT | 先报价,按次计费 | subtitle/*.srt + *.vtt + book.srt |
join | 章节拼接 + 章节清单与时长台账 | 纯本地,零调用 | book.mp3(或 book.wav)+ chapters.json + playlist.txt |
all | 串起来跑完整条链路 | 先报价,断点续跑 | 上面全部 |
cost | 只算钱 | 零网络零成本 | 成本表 |
models | 现查在架模型 | 免费 | 模型清单 |
voices | 现查可用音色(拿 reference_id) | 免费 | 音色清单 |
| 你最关心 | 答案 |
|---|---|
| 多少钱 | 配音 50 点/千字(实测)、字幕 40 点/次(实测,与文本长度无关);1 元 = 100 点。中篇 20 万字 ≈ 10000 点配音 + 字幕 ≈ 116 元 |
| 要多久 | 实测 2 章 145 字:12 个片段配音约 40 秒;字幕 2 段约 15 秒。长书的瓶颈是片段数,不是字数 |
| 要装什么 | 什么都不用装。只用 Python 标准库;join 有 ffmpeg 更好(没有也能拼 wav,见下) |
| 中断了怎么办 | 断点续跑:已完成的片段与字幕直接跳过(实测 12 段全跳过、0 次调用、0 点)。但断点 key 含正文全文 + 音色 + 模型 + 格式 + 语速 + 采样率 + 比特率 + 端点 + 章节 + 分块共十一维 —— 改任何一维都会重配重扣 |
| 会瞎编吗 | --llm 模式下强制校验逐字一致:模型返回的片段拼起来与原文不逐字相等就直接报错,不采纳 |
| 说话人识别不准怎么办 | 本地正则搞不定的会归到「旁白」并在 cast.unassigned_speakers 里登记数量;要更准加 --llm |
七道硬闸门(都是拦截,不是提醒)
命中即标红 + stderr 汇总 + 退出码非 0,可直接进 CI;--json 下走统一信封。
| # | 闸门 | 判定口径 | 退出码 |
|---|---|---|---|
| 1 | 合规 | 广告法违禁词 + 音频口播红线;「最X」按可枚举语境豁免(见下) | 3 |
| 2 | 占位符残留 | {}、[待填]、XXX、此处省略、TODO | 3 |
| 3 | prompt_echo | 去标点相等 / 二元组 Jaccard ≥ 0.75 / 示例覆盖度 ≥ 0.60 | 3 |
| 4 | 章节结构 | 章数为 0 或存在空章 → 拦;空标题、超长标题(>40 字)也拦 | 3 |
| 5 | 角色一致性 | 同一角色在全书中必须用同一个音色;分配了却没用到的角色也拦 | 3 |
| 6 | 成本上限 | voice/subtitle/all 跑前必须报价;--yes 或 --budget 二选一,超预算就地中止 | 2 / 5 |
| 7 | 产出位置 | --outdir 指到包内直接 exit=2 | 2 |
为什么第 4、5 道闸门是本包最值钱的两道
章节结构:有声书与"一段长音频"的分水岭就是章节。听书的人靠章节跳转、
平台靠章节做付费切分。一份切不出章节的长文本,配出来只是一条几小时的音频——
它不会报错、字数也对、读起来也顺,但没法上架。
同理,空章(有目录没正文)听出来就是一段静音,平台直接判残包。
这道闸门不采信内存里的对象,而是拿正则去读渲染后的成品 Markdown:
## 第 1 章 雨夜的书店
读不出章节标题、或某一章正文为空,一律拦。
角色一致性:有声书的听感靠音色认人。同一个角色在两章里换了音色,
听众立刻跳戏——这不会报错、不会被平台拦、字数时长全对,
又是一个"表面上完全正确的错误"。
它同时又是一道成本闸门:音色一换就必须重配,重配就是重扣费。
所以它在配音之前就要过(零成本本地校验),而不是等配完几千个片段才发现。
「最X」的语境豁免(照抄全库统一逻辑)
「回头翻一条自己播放量最低的视频」这种话是在描述自己的数据,
不是对商品做绝对化宣称。小说正文天然会写「最深的那道疤」「最慢的一步」,
不豁免的话一次实测就会被误拦整篇——而闸门一旦开始误伤,使用者就会无视它。
全库为它定了一条很窄的豁免:
最X前一个字是计量类名词(量 / 率 / 数 / 分 / 位 / 条 / 次 / 段 / 部 / 集 / 页 / 个 / 天 / 月 / 年)- 且
最X后面紧跟「的」或「之」
命中豁免时整处放过,但在产出里登记(gates.compliance.exempted),
报告里会明说"本地放过了 N 处疑似绝对化用语",不静默放过。
句首的「最好 / 最低」不豁免(代码里靠 before and 这一步实现);
豁免词表刻意不含 时 / 款 / 种 / 家 / 价,
因为「课时最低的课程」「单价最低」都是真实的价格宣称形态,必须照拦。
prompt_echo:模型会照抄示例
本库实测过两次:提示词里写过正例,模型就产出了几乎一字不差的标题;
其中一次那条还拿了最高分——不是"真的最好",是"抄了标准答案"。
所以本包的提示词里不出现任何一句可直接复制的完整中文句子,
举例只用描述性说明;真实示例(跨主题,取自「旧书摊的收书账」,与有声书业务不搭)
登记在 PROMPT_SAMPLES,并由 prompt_hygiene 对即将发送的提示词做前置自检。
三条判据缺一不可,第三条是补漏:
| 判据 | 抓什么 | 为什么必须有 |
|---|---|---|
| 去标点后完全相等 | 直接照抄 | 抄示例往往只改标点 |
| 二元组 Jaccard ≥ 0.75 | 长度相当的同构改写 | 本库实测:正常产出与跨主题示例最高 0.174,「少两个字的同构照抄」是 0.765 |
| 示例覆盖度 ≥ 0.60 | 示例被夹带进更长的句子 | 实测:示例揉进 36 字长句时 Jaccard 只有 0.576(漏),覆盖度 1.000(抓住) |
长度守卫是相对的:目标归一化长度 < max(6, len(示例)//2) 就不比——
短串的二元组集合太小,指标会虚高。
怎么用(命令行)
# 1) 配 Key(三种方式任选)
export A7W_API_KEY="<你的Key>" # Windows: $env:A7W_API_KEY="<你的Key>"
# 或者 --key <你的Key>,或者 python3 scripts/a7w.py login --key <你的Key>
# 2) 章节切分(纯本地,不花钱,先跑这一步看切得对不对)
python3 scripts/run.py split --text novel.txt --outdir D:/book/b01
python3 scripts/run.py split --text novel.txt --outdir D:/book/b01 \
--heading-pattern "^第[0-9]+话"
# 3) 角色分配(默认本地零成本;先看音色池)
python3 scripts/run.py voices
python3 scripts/run.py cast --outdir D:/book/b01 --voice-pool 6
python3 scripts/run.py cast --outdir D:/book/b01 --limit 3 --llm # 只用前 3 章试
# 4) 配音:先报价,确认了再加 --yes(或用 --budget 封顶)
python3 scripts/run.py voice --outdir D:/book/b01
python3 scripts/run.py voice --outdir D:/book/b01 --yes --budget 3000
python3 scripts/run.py voice --outdir D:/book/b01 --sample-chars 300 --yes # 试链路
# 5) 字级时间戳字幕(SRT + VTT)
python3 scripts/run.py subtitle --outdir D:/book/b01 --yes
# 6) 章节拼接 + 章节清单与时长台账
python3 scripts/run.py join --outdir D:/book/b01 --title "旧城拾光"
# 7) 整条链路(断点续跑,中断了原样重跑即可)
python3 scripts/run.py all --text novel.txt --outdir D:/book/b01 --budget 3000
# 只算钱,一次调用都不发
python3 scripts/run.py cost --chars 200000 --chapters 40
真实端点(都在 api.a7w.cn 上):
| 用途 | 端点 |
|---|---|
大模型(cast --llm) | POST /api/v1/chat/completions |
| 模型清单 | GET /api/v1/models |
| 配音(同步,≤500 字) | POST /api/v1/apps/voice_tts/tts |
| 配音(异步,长文本 ≈10000 字) | POST /api/v1/apps/voice_tts/tts_async |
| 音色列表 | POST /api/v1/apps/voice_tts/list_voices |
| 字级时间戳 | POST /api/v1/apps/voice_tts/stt |
| 任务轮询 | GET /api/v1/tasks/<task_id> |
开工前先现查一遍 schema,别照抄记忆:
python3 scripts/a7w.py schema voice_tts
三条实测确认的接口事实(本包就是踩过才写下来的):
- 配音的音色参数叫
reference_id,不叫voice_id。值是list_voices返回的
id / model_id,32 位十六进制,抄短一位就得到「任务处理失败」。
语速是 prosody.speed(对象),不是顶层 speed;格式参数叫 format。
voice_tts/tts的 schema 原文是「同步接口建议不超过 500 字符」。
所以逐块按 500 字硬上限拆;单块超过 5000 字才切 tts_async(异步约 10000 字符)。
最长的那份"看不出来"的失败就是被上游悄悄截断——音频少一句但没有任何报错。
- 字级时间戳来自
voice_tts/stt的ignore_timestamps: false。
平台默认是 true,那一档 result.segments 是空数组(只有整段文本)。
显式传 false 后,中文实测一字一段:result.segments = [{"text":"旧","start":0.08,"end":0.16}, ...]。
本包不拿字数估算冒充时间戳——抠不出 segments 就直接失败。
另外两条平台口径:
/chat/completions的成功响应不带code字段;生成应用(配音 / 语音识别)
code == 1 才是成功。两者不能互相套用。
- 异步任务的
status在任务data顶层,不在data.result里(平台文档写错了)。
客户端读的就是 data.status,实测正确。
参数说明
通用
| 参数 | 说明 |
|---|---|
--outdir | 产出目录。不许指到包内(指到包内 exit=2),默认 ./audiobook-out |
--json | JSON 输出,写在子命令前后都可以;失败走 {"ok":false,"exit":N,"error":{...}} |
--key | 临时指定 API Key(也可用 A7W_API_KEY 或 ~/.a7w/config.json) |
--chars-per-minute | 语速口径(字/分钟),默认 250。同时影响成本报价、时长估算、join 兜底时长 |
--out | 把结果写到指定文件(人读模式写 Markdown,--json 模式写 JSON) |
split(章节切分,纯本地)
| 参数 | 说明 |
|---|---|
--text | 必填。小说 / 长文本文件;UTF-8 / GBK / Big5 / UTF-16 自动识别 |
--heading-pattern | 自定义章节标题正则,覆盖内置的 5 套 |
--chunk-blocks | 没识别到标题时按空行分块(不是按作者章节切,产出里会登记) |
--minutes | 目标总时长,只用于时长估算 |
内置的 5 套章节标题形态(都行首锚定,且标题部分必须够短):
| 形态 | 例子 |
|---|---|
| 第N章 | 第一章 雨夜的书店、第 12 节、第3回、第2卷、第5话 |
| Chapter N | Chapter 12、Ch.7 |
| 数字标题 | 1. 开场、01、雨夜 |
| 卷 / 部 | 卷一 少年时、上部 |
| 特殊章 | 楔子、序章、尾声、番外2、大结局 |
三条切分规则的来由(都是真机读中文小说踩出来的):
- 必须行首锚定。正文里写「他翻到第一章」太常见了,不锚行首会把每一句
提到章节名的话都当成标题。
- 标题行要短且不带句末标点。
第一章 他说,算了。是正文不是标题;
超过 40 字基本是把正文吞进来了。
- 标题前缀的正文归第一章。书名 / 作者 / 简介丢了就是静默丢内容。
cast(识别对白 / 旁白,分配音色)
| 参数 | 说明 |
|---|---|
--chapters | 章节文件,默认 <outdir>/chapters.json(也认 .md) |
--limit N | 只处理前 N 章(省钱预演用) |
--llm | 用大模型逐章切段与标注(更准,但每章一次文本调用) |
--no-fetch-voices | 只做切分,不拉音色池(纯离线,零调用) |
--voice-pool N | 自动取用多少个音色,默认 6 |
--narrator-voice | 旁白音色 reference_id |
--voice-map | "主角=<reference_id>,配角=<reference_id>" |
说话人归属规则(两轮):
- 逐处引号独立判定:引号前紧贴引导词 → 用它;引号后紧跟引导词 → 用它;
引号前是人物动作(林砚把伞收起来,)→ 用动作主语;都没有 → 记待定。
- 对待定的引号做段内一致性推断:段内候选唯一 → 用它;
多个候选 → 用"离得最近的已判定说话人"。
仍推不出来的引号归到旁白并在产出里登记数量(cast.unassigned_speakers),
要更准就 --llm。这里不静默丢掉任何一个字——丢掉就是整句内容消失,
是最坏的那种静默失败。
--llm 的强制校验:模型只被允许"切段 + 标角色",返回的片段拼起来
(去掉标点与空白后)必须与原文逐字一致,不一致就直接报错。
理由:音频是逐字念出来的,模型顺手润色一个字,字幕和音频就对不上,
而且肉眼看不出来。
voice(逐章配音)
| 参数 | 说明 |
|---|---|
--cast | 角色分配文件,默认 <outdir>/cast.json |
--chapters | 只配这些章(逗号分隔章号,例如 1,2) |
--narrator-voice / --voice-map | 覆盖旁白 / 角色音色(会写回 cast.json) |
--format | 音频格式:mp3 / wav / pcm / opus,默认 mp3 |
--tts-model | TTS 模型:s1 / s2-pro,默认 s2-pro |
--speed | 语速(prosody.speed,1.0 为原速) |
--sample-rate | 采样率 |
--mp3-bitrate | MP3 比特率:64 / 128 / 192 |
--sample-chars N | 只配前 N 个字(试链路省钱用;0 = 全部) |
--points-per-1k | 覆盖配音单价(点/千字),默认用实测值 50 |
--timeout | 单个任务轮询超时(秒),默认 1800 |
--force | 忽略断点全部重配(会重复扣费) |
--yes / --budget | 确认报价 / 预算封顶,二者给其一 |
分块策略:同章内、同角色且音色相同的连续片段合成一块(≤500 字)。
实测配音无最低消费(50 点/千字严格线性),合并不会多花钱,
但能把调用次数从几万次压到几百次——调用次数直接决定失败率与重试成本。
一本中篇的台词条数是以万计的。
subtitle(字级时间戳出 SRT / VTT)
| 参数 | 说明 |
|---|---|
--voice-index | 配音台账,默认 <outdir>/voice/index.json |
--chapters | 只处理这些章(逗号分隔) |
--limit N | 只处理前 N 个片段(省钱预演用) |
--language | 识别语言(不给则上游自动检测) |
--chars-per-line | 一条字幕最多几个字,默认 16 |
--max-seconds | 一条字幕最多停留几秒,默认 8 |
--points-per-call | 覆盖字幕单价(点/次),默认用实测值 40 |
--budget / --yes | 同 voice |
为什么要把字级 segment 聚成字幕条:逐字出一条字幕,一本有声书会有几十万条 SRT,
播放器直接卡死、人也没法读。所以按两条上限聚合(最多 16 字 / 最多 8 秒)。
字幕文字用 ASR 回读,不用原文:回读文字与时间戳是对齐的(同一个来源),
而原文与时间戳只是"应该对齐"。回读有误差(实测专有名词会错,属上游能力边界),
差异逐条登记在 subtitle.json 的 text_mismatch 里,不掩盖。
join(章节拼接 + 清单)
| 参数 | 说明 |
|---|---|
--chapters | 只拼这些章(逗号分隔) |
--ffmpeg | ffmpeg 路径(默认找 PATH 与 FFMPEG 环境变量) |
--filename | 合并音频文件名,默认 book.mp3(无 ffmpeg 且是 wav 时 book.wav) |
--title | 书名(写进清单) |
时长的三个来源,按可靠性排序:
| 优先级 | 来源 | 精度 |
|---|---|---|
| 1 | stt 的字级时间戳(result.duration) | 精确 |
| 2 | wav 文件头(自己解析 RIFF,不依赖 ffprobe) | 精确 |
| 3 | 字数估算 | 估算,会在产出里逐章标注 |
只有 1、2 都拿不到时才退回 3,并在 chapters.json 的 basis 字段里
明确写出「字数估算(不是真实时长)」,不静默估算。
all / cost / voices / models
all 的参数是各子命令参数的并集,额外有 --skip-subtitle(只出章节音频)。cost 接收 --chars / --minutes / --chapters,
以及 --points-per-1k / --points-per-call / --points-per-ktok 三个单价覆盖。voices 有 --tag / --title-search / --language / --page-size。models 有 --type(默认 text,传 all 看全部)。
断点 key 含哪些维度(这一节是本包最该看的一节)
断点 key 少一维的后果不是报错,而是「用户以为改了、其实静默复用了旧产物」——
用户听到的还是旧音色 / 旧语速 / 旧格式,而命令行的输出一切正常。
同族包已实测踩过三种形态:提示词截断到 24 字(改第 25 字之后 key 没变)、resolution 不入 key(从 1K 改到 4K 拿回的还是 1K)、死参数
(参数在命令行存在、在 key 里不存在,改了什么都不会变)。
所以本包把音频断点 key 做成显式白名单,共十一维:
| 维度 | 为什么必须进 key |
|---|---|
text | 正文全文(不截断,整段入 hash) |
role | 换角色 = 换音色 = 必须重配 |
reference_id | 音色本身;空字符串(平台默认音色)与指定了音色是两回事 |
model | s1 / s2-pro 音色表现不同 |
format | mp3 / wav / pcm / opus:拿 wav 的脚本拿到 mp3 会静默出错 |
speed | prosody.speed |
sample_rate | 采样率 |
mp3_bitrate | MP3 比特率 |
endpoint | tts / tts_async:上游不同实现,产物不同 |
chapter | 归属章节,决定 join 的拼接顺序 |
part | 同章同角色被 500 字上限拆开后的第几块 |
字幕断点 key 六维:audio_sig/ language /ignore_timestamps / chars_per_line / max_seconds / endpoint。
实测(13 组改动逐一验证,见 README 的「真机实测」章节):
改任何一维,sig 都变,都会重配而不是复用旧音频。
新增任何影响音频的参数,都必须同时加进 VOICE_KEY_FIELDS 并登记到本节。
产出目录长这样
D:/book/b01/
├── chapters.json / chapters.md 章节切分结果(闸门读的就是 chapters.md)
│ `join` 会在 chapters.json 里**追加**一个 `join` 段
│ (章节清单 + 时长台账),**不覆盖 `chapters` 数组**
├── cast.json / cast.md 角色与音色分配 + 逐片段角色标注
├── voice/ 逐片段音频 + index.json(含 audio_url,字幕要用)
├── subtitle/ book.srt / book.vtt + 逐片段 srt/vtt + subtitle.json
├── audiobook-state.json 断点文件 + 成本台账(cost.items 可逐笔核对)
├── book.mp3(有 ffmpeg)或 book.wav(无 ffmpeg 且是 wav 输出)
└── playlist.txt 播放清单(起点 / 章号 / 时长 / 角色)
音频与字幕一律落在包外的 --outdir 里。
没有 ffmpeg 时会怎样
join 有两条路:
| 情况 | 行为 |
|---|---|
| 有 ffmpeg | 按章节顺序拼成一条 mp3,写 ffmpeg metadata 章节标记(平台 / 播放器识别) |
| 无 ffmpeg,音频是 wav / pcm | 纯标准库把 PCM wav 逐块接起来并重建 RIFF 头,产出真 book.wav |
| 无 ffmpeg,音频是 mp3 | mp3 是压缩格式、不能靠拼字节接起来 → 写出章节清单与播放清单,明确报"没有产出合并音频"(exit=2),不假装成功 |
第三种情况下装上 ffmpeg 后原样重跑同一条命令即可——断点续跑,
不会重复扣配音与字幕的钱。
wav 逐块拼接前会校验参数一致性(采样率 / 声道 / 位宽);
不一致就直接拒绝,因为硬拼会得到一条变速或变调的音频,
那种错误听起来像"设备有问题",很难查。
排错
| 现象 | 原因与解法 |
|---|---|
code=0 任务处理失败(配音) | reference_id 不完整或不存在。用 run.py voices 整条复制(32 位十六进制)。去掉 --narrator-voice 可立刻区分是音色问题还是文本问题 |
stt 没有返回字级时间戳 | ignore_timestamps 没传 False(平台默认 true,那档 segments 是空数组)。本包已固定传 False,出现这条说明上游改了行为 |
有 N 段引号里的话推不出说话人 | 本地启发式的能力边界。加 --llm;或给 --voice-map 手工指派 |
拒绝执行:--outdir 指到了包内 | 产出音频不许进包。换 %TEMP%\audiobook 或 D:/book/b01 |
报价 X 点已超过 --budget | 钱还没花就中止了。核对 --chars-per-minute(语速口径影响报价)或提高预算 |
跑前必须报价并确认 | 加 --yes,或用 --budget N 封顶 |
有 1 章正文为空 | 切分把正文吞进了标题行,或原文那一章确实是空的。看 chapters.md 手工修,或换 --heading-pattern |
角色音色不一致 | 同一角色在两章用了不同 reference_id。用 --voice-map 统一;这条不修就会重配重扣 |
| 重跑又扣了一次钱 | 断点 key 含十一维。改了正文 / 音色 / 格式 / 语速 / 采样率 / 比特率里任何一项都会重配。重跑前先用 cost 核价,或看 audiobook-state.json 的 cost.items |
本机没有 ffmpeg,音频是 mp3 | 见上「没有 ffmpeg 时会怎样」。装 ffmpeg 后原样重跑 |
读不出这个文本文件的编码 | 试过 utf-8 / gb18030 / big5 / utf-16。先用编辑器转成 UTF-8 |
| 时长台账标了「字数估算」 | 该片段既没有字幕时间戳、也不是可解析的 wav。跑 subtitle 可拿到精确时长 |
| 字幕文字和原文对不上几个字 | ASR 回读误差(专有名词尤其明显),属上游能力边界。逐条差异在 subtitle.json 的 text_mismatch |
已知取舍(如实登记,不掩饰)
- 本地说话人识别是启发式。两轮规则能处理中文小说的主流形态
(「…」他说 / 他说:「…」 / 他做了个动作,「…」),
但代词主语的连续对话、倒装、无引导词的对话会判不出来——
那种情况归旁白并登记数量,不猜。要准就 --llm。
- 字幕文字用 ASR 回读,与原文可能有出入。这是为了让文字与时间戳同源对齐;
差异逐条登记。若要"字幕必须与原文逐字一致",请自行把 book.srt 的文字
用原文替换(时间戳不受影响)。
cast --llm的文本单价平台不公开,所以cost不给--points-per-ktok
就只报 token 数、不报金额——不编单价。
- **平台
pricing_matrix/tenant_*字段半数不可信**,本包不拿它们算钱。
报价用实测常量(配音 50 点/千字、字幕 40 点/次),
结算只认 usage.points_cost,两者不一致时会明确报出来。
- 字幕按片段计次(40 点/次)。片段数是「同章同角色连续片段合并」之后的数量,
通常远小于"章数 × 角色数"。精确片段数看 voice 的报价输出。
- 图片 / 音频 / 二进制一律不进包。包内只有
.md .py .txt .json .sh .js .yaml .yml .csv。
实测数据(真机跑出来的,不是估算)
| 项目 | 实测值 |
|---|---|
| 章节切分(2 章 198 字短篇) | 2 章、15 个片段(6 对白 + 9 旁白)、切分方式「标题识别(第N章)」 |
| 角色分配(本地正则) | 3 个角色 → 3 个音色;2 段推不出说话人,归旁白并登记 |
| 配音单价 | 50 点/千字,报价与实际逐片段完全一致 |
| 配音样本 | 145 字 / 12 个片段 = 7.25 点(≈ 0.0725 元) |
| 字幕单价 | 40 点/次,与文本长度无关 |
| 字幕样本 | 2 个片段 = 80 点(≈ 0.80 元);拿到 14 个汉字 → 14 个 segment 的一字一段时间戳 |
| 断点续跑 | 12 段全部跳过,0 次调用、0 点 |
| 断点 key | 13 组改动逐一验证,全部换 key(无一维静默复用) |
| 本地 wav 拼接 | 3 段 22050Hz/mono/16bit 测试 wav → 1 个 132,344 字节、3.0 秒的合法 wav |
| 全链路试跑花费 | 配音 7.25 点 + 字幕 80 点 = 87.25 点 ≈ 0.87 元 |
| 中篇 20 万字口径 | 10000 点配音 + 字幕 ≈ 116 元(cost --chars 200000 --chapters 40) |
文档
| 文件 | 内容 |
|---|---|
references/audiobook-narration-method.md | 有声书演播方法:章节切分、角色分配、多音色演播、字幕排版 |
references/voice-and-format.md | 音色挑选、配音参数(reference_id / prosody / 格式)与字级时间戳 |
references/cost-and-troubleshooting.md | 实测单价、报价口径、断点 key 维度与排错手册 |
更新记录
| 版本 | 变更 |
|---|---|
| 1.0.0 | 首个版本。九个子命令、七道硬闸门、十一维断点 key、字级时间戳字幕。 |
许可证
MIT,见 LICENSE.md。
联系我们
- 技术微信:9872659 —— 加好友时说一下是从哪个 Skill 找过来的,直接给你配套的 API Key 与能跑的示例。
- 要算力 / 要 API Key:算力集市 · 注册领 API Key —— 一个 Key 调用全部 AI 算力,注册、充值、创建 Key 都在这里。
- 更多 AI 插件与接口:AI 插件市场。
相关链接
| 链接 | 地址 | 说明 |
|---|---|---|
| 算力集市 · 注册领 API Key | api.a7w.cn | 一个 Key 调用全部 AI 算力;注册、充值、创建 Key 都在这 |
| AI 插件市场 | aigc.a7w.cn | 浏览全部 AI 插件与接口说明 |
| 三剪客 · 一句话批量出片 | ks.a7w.cn | 短剧二创 / 影视解说 / 矩阵号批量混剪桌面客户端 |
| 视频超清 · 在线批量超分 | vr.a7w.cn | 网页版视频超分,批量处理,最高 4K |
| 0人公司 · AI Agent 平台 | a7w.cn | 主站,了解整套 AI Agent 生态 |