AI多语言配音

多语言旁白音频制作的工程化挑战

在为多市场内容（如课程、广告、产品演示）制作旁白音频时，工程师常面临以下痛点：

• 语言区域与脚本管理混乱：需要同时处理数十种语言版本，脚本状态、术语、发音说明、时长目标散落各处，难以系统跟踪。
• 声音选择与试听成本高：跨语言的声音兼容性未知，传统流程需反复沟通，为每个语言单独试听新声音效率低下。
• 付费流程不透明：语音合成按请求计费，在确认最终范围前，难以预估总成本并避免意外开销。
• 任务状态与恢复复杂：生成任务可能耗时较长，涉及异步操作、超时重试和结果汇总，手动管理易出错。

核心工作流与能力

该技能旨在通过结构化流程解决上述问题，其核心是一个 segment × locale 制作矩阵。工作流遵循以下关键步骤：

1. 矩阵驱动的脚本准备

• 首先将用户提供的源内容（文本或音视频转录）划分为自然片段（如一个广告单元或课程章节），绝不切断句子。
• 为每个片段（segment）与目标语言区域（locale）构建矩阵单元格，强制记录 BCP-47 标签、已确认文案、受保护术语、声音、演绎方向、格式与时长目标。这确保了信息的原子化与可追溯性。

2. 声音发现与试制策略

• 技能复用对话中已接受的声音。若不可用，则调用 beatra.voices.list 进行筛选，并推荐 2-3 个候选。
• 严格遵循先试后付原则：仅使用免费的试听 URL 进行选择，不为选声产生合成费用。
• 对于多语言范围，每种语言会选择一个高风险代表性片段（包含数字、术语、行动号召）进行试制。默认使用 model: "auto" 和 语速 1.0。

3. 范围确认与受控执行

• 在发起任何 beatra.speech.synthesize 付费操作前，会以易读的矩阵形式展示完整的付费范围，明确每个单元格将产生一次付费渲染。
• 用户一次确认整个矩阵后，技能为每个单元格创建唯一的 client_request_id，并提交任务。任务状态通过 beatra.tasks.get 轮询，遵守 deadline_at 超时，并主动处理恢复，而非无限等待。
• 所有 MCP 操作强制通过随包的 scripts/mcp_client.py 执行，避免依赖宿主连接器。

4. 结果交付与验证

• 任务成功后，按语言区域分组交付音频 URL、资产 ID、MIME 类型、实际采样率与持续时间等事实数据。
• 技能不宣称完成翻译、字幕、口型同步或精确时长匹配。如果用户要求修改，仅对受影响的单元格重新取得确认并重做，保持已接受部分不变。

适用场景与重要限制

此技能专注于从文本到语音的单向生成与管理，适用于：

• 已定稿多语言文案的批量音频制作。
• 需要严格成本控制与状态跟踪的配音项目。

必须注意的关键边界：

• 输入必须是文本：若源为视频/音频，需先获取转录文本，并始终将其视为待确认草稿。
• 范围外工作不涵盖：不提供文案翻译、口型同步、音视频编辑或基于画面的精确时长匹配。
• 计费与状态依赖：付费操作前需明确矩阵确认；任务执行是异步的，需遵循其轮询与恢复机制。
• 自动更新：技能可能静默检查官方更新，仅替换自身文件，不影响当前执行中的用户命令。