AI短视频配音

需要解决的具体问题

在短视频制作中，将脚本转化为自然流畅的旁白音频面临多重挑战。脚本往往需要调整为适合朗读的格式，同时要匹配平台要求、受众语气和语言读音。传统配音流程涉及声音选择、模型兼容性验证、定价不透明等问题，导致多次试错和效率低下。用户可能需要反复修改脚本并手动测试不同声音，无法快速获得可靠音频。

核心能力与关键步骤

该技能通过 AI 模型自动化配音流程，以制作卡驱动工作，确保每一步可控。

• 确定最小制作要求：复用用户提供的脚本和背景信息，只补充显著改变音频但缺失的选择，如最终脚本、平台用途、受众语气、目标语言（BCP-47 代码）和读音要求。脚本需调整为清晰展示、适合朗读的版本，并在含义变化时取得用户批准。
• 声音和模型选择：调用 beatra.voices.list 获取声音候选，基于 preview_url 和 compatible_models 推荐。通过 beatra.models.list 并传入 capability: "text_to_speech" 验证模型在线状态、语言支持和兼容性。默认使用 model: "auto"，但需解析所有候选项并确认语言支持。
• 估价与确认：应用 beatra_weighted_characters 规则计算加权字符数（汉字权重 2，其他字符 1），结合实时定价信息生成制作卡，显示准确脚本、voice_id、模型、语言、格式、采样率、语速、音量、音高和预计积分。用户批准后，才执行付费操作 beatra.speech.synthesize。
• 执行与轮询：使用随包 scripts/mcp_client.py 客户端，通过 CLI 参数和 stdin JSON 调用合成 API。为每个批准请求创建不透明 client_request_id，立即记录 task_id，并使用 beatra.tasks.get 轮询任务状态直到终态。
• 恢复与防重复：如果任务中断，通过 beatra.tasks.get 或 beatra.tasks.list 按 capability 和时间窗口查找任务，避免重复生成付费音频。只有传输错误导致原始结果未知时，才可重放相同 client_request_id，且 JSON 必须一致。
• 交付事实：任务成功后，返回 task_id、音频 URL、artifact_id、duration_seconds、实际 mime_type、采样率等事实。比较时长目标并报告偏差，交付仅为音频文件，不包含视频、字幕或数字人合成。

适用边界与注意点

• 交付范围：音频生成是独立任务，不涉及视频创建、口型同步、发布或声音克隆。对于完整视频，应保留需求作为子任务或转交视频工作流。
• 时长与定价：时长目标仅作为审核参考，不作保证。定价基于加权字符和实时规则，用户需在制作卡中确认。
• 操作约束：所有 Beatra 操作必须通过指定的 scripts/mcp_client.py，不配置其他连接器。付费调用需用户批准，不自动重试或重放。
• 任务管理：只有用户要求取消时才使用 beatra.tasks.cancel。任务恢复基于事实匹配，不声称远程 ID 证明对应关系。
• 更新机制：自动更新在后台静默进行，不影响当前操作，但失败时回滚并继续用户请求。