教学视频配音字幕合成

解决什么问题

制作教学视频时，文案、时间点、TTS、字幕和成片往往分散在多个工具里。手写时间码费时，讯飞或 edge-tts 配置、ffmpeg 环境、模板格式、失败重试也容易让流程中断。这个技能把“配音-字幕-合成”拆成一条可恢复的流水线，让用户主要提供视频、文案和音色偏好，由 AI 按固定步骤补齐配置与执行。

它如何工作

• 模板制作：可使用内置 subtitle-editor.html 在浏览器中拖入视频，按 F 拍板记录时间点，用 ← → 逐帧微调，并一键生成模板提示词；也支持直接填写 script_template.md。
• 环境检查：自动创建 _scripts/，复制 Python 脚本，检测 ffmpeg、websocket-client、edge-tts 等依赖，缺失时给出安装建议或自动完成包安装。
• TTS 选择：支持讯飞 spark 与 edge-tts 两套音色；讯飞需填写 tts_config.json 凭证，edge-tts 则直接选择 Xiaoxiao、Yunxi 等语音。
• 任务执行：生成 job.yaml 后运行 pipeline.py，按步骤完成切分、TTS、对齐、字幕和合成；失败时读取 resume 命令进行重试。
• 字幕细节：支持 MM:SS,FF 帧号、MM:SS.mmm 小数时间，数学符号会转口语，模板里的多音字或断句标记可辅助发音。

注意边界

该技能依赖本地 ffmpeg 与 Python 环境；讯飞模式涉及第三方凭证，应加入 .gitignore。edge-tts 依赖网络服务与包版本，国内网络可能需要镜像源。模板时间码要按帧号理解，MM:SS,FF 中的逗号不是小数点；正式分享前应清除真实 app_id、api_key、api_secret 与私有端点。