wjs-voicedrop-reading-aloud

wjs-voicedrop-reading-aloud

文字 → 有声书 mp3。不是照字面念，而是先编排：不同性质的内容换不同声音，关键转折处加语音指令，然后用火山引擎豆包 seed-tts-2.0 合成。

合成工具：~/code/volcano-tts/tts.py（先 source ~/code/.env）。

铁律

1. 绝不把带【】/[ ] 标注的文本直接喂裸 API —— 裸 API 会把标注原样念出来（实测实锤）。永远走 tts.py，它把标注切段转成 context_texts 语音指令。
2. 只能用 2.0 音色（_uranus_bigtts 后缀） —— moon/mars/tob 音色在 seed-tts-2.0 资源下报错 resource ID is mismatched。
3. 合成前把编排好的朗读脚本给用户看一眼（除非用户说直接出）——编排是再创作，声音分配和指令值得确认。headless/自动化场景跳过此步。

工作流

1. 取内容并认真通读

• 纯文本/文件：直接读。
• URL：WebFetch；SPA 页面（如 docs.volcengine.com）用 browse skill 渲染后取正文。
• VoiceDrop 文章：voicedrop MCP 的 read_article。

通读时标记出：正文叙述 / 直接引用（引号、blockquote）/ 大白话吐槽与内心 OS / 数据、列表、表格 / 标题与小节。

2. 编排重写成朗读脚本

这是核心步骤，是重写不是转录：

• 去掉一切视觉残留：markdown 符号、链接、图片说明、脚注编号。
• 表格、列表、数据改写成口语句子（「三个原因：第一…」）。
• 标题不逐字念，化进过渡句，或用停顿+换气带过。
• 太书面的长句改口语，但保留作者的用词风格。
• 按内容性质分配音色（见音色表）：正文一个主声贯穿；引用换引用声；吐槽/大白话换插话声。声音切换是给听众的「格式信号」，等价于视觉上的引用块。
• 不要频繁换声：一般 2~3 个声音封顶，切换只发生在内容性质真正变化处。

3. 加语音指令（克制）

在句前加 [心理活动、细腻表情、肢体动作等描述]，如 [放慢，一字一顿，点出要害]。

• 只在需要的地方加：情绪转折、节奏变化、重音、引用的口吻模仿。平铺直叙的段落一个不加，靠全局指令兜底。
• 经验密度：每 3~5 句最多一处；一段平静的叙述可以整段没有。
• 每处标注就是一次切段（一次 API 调用+拼接点），切太碎会让语流变散。
• 标注写成对朗读者说的表演提示（心理活动/表情/动作皆可），不要写成对听众的说明。
• 指令要戏剧化、情绪化才有效（实测）：模型对情绪/音色类指令跟随很强（哭腔、耳语、亢奋大喊、像法官宣判、+50% 时长级别的变化），对含蓄舞台提示（「语气一沉」「带一丝惋惜」）和机械精确指令（「停顿一秒」「放慢一倍」）跟随很弱。写法上宁可夸张：「请把声音压到接近耳语，凑近话筒，像说破一个秘密」远强于「压低声音」。

4. 朗读脚本格式（tts.py --script）

# 注释行
@voice narrator zh_male_yuanboxiaoshu_uranus_bigtts
@voice quote zh_male_yizhipiannan_uranus_bigtts
@voice casual zh_male_fanjuanqingnian_uranus_bigtts

@narrator
[语气平静从容，像老朋友聊天]先讲一个真事。……他公开断言：

@quote
[带着当年的笃定与体面]股价已经站上了一个永久的高原。

@narrator
几天后，市场开始了最惨烈的下跌。

@casual
[像随口吐槽]这人判断力真差。

5. 合成与验收

source ~/code/.env
python3 ~/code/volcano-tts/tts.py -f script.txt --script -o out.mp3 \
  -i "这是一段有声书朗读，自然口语化，像讲故事，不要播音腔"

• -i 全局指令必带，定整体基调；--speech-rate、--subtitle（字级时间戳）按需。
• 验收：afinfo out.mp3 看时长是否与字数匹配（中文约 4~5 字/秒）；如首次改动过工具或有疑虑，用 ~/.claude/skills/wjs-transcribing-audio/scripts/volc_asr_stream.py 抽查一段，确认标注没被念出来。
• 用 SendUserFile 把 mp3 发给用户。