【免费下载链接】story-studio
从选题到剪映草稿的一站式 AI 短视频内容创作 Agent Skill
Story Studio（故事工坊）是一个一站式 AI 短视频内容创作 Skill，其Story Studio 配音环节提供两条开箱即用的路径：一是接入豆包语音大模型，由 Agent 全自动合成本期 MP3；二是自备 MP3 无缝接力，把已有配音丢进项目，Agent 直接接手后续的字幕对齐、配图与剪映草稿。两条路径都能无缝汇入"定稿 → 配音 → Coli 本地转录 → 带时间分镜 → 配图 → 剪映草稿"的完整流水线，新手也能用自然语言一步走完。
一、先选路径：Story Studio 配音双路径如何选最省事？
当口播任务缺少本期最终配音时（哪怕你只说"按这篇文稿配图并做剪映草稿"），Story Studio 会主动给出这两条路径，而不是简单一句"请提供 MP3"：
| 对比维度 | 路径一：豆包语音全自动合成 | 路径二：自备 MP3 无缝接力 |
|---|---|---|
| 你要做的事 | 开通语音服务，提供 API Key、speaker ID 和模型资源 | 把本期最终 MP3 交给 Agent |
| Agent 负责的事 | 配置本地调用端、dry-run 预检、合成并校验 MP3 | 核验音频、本地 Coli 转录、音文核对 |
| 适合场景 | 从零开始、不想找录音、想省配音成本 | 已有录音、追求特定真人音色 |
| 记录方式 | voice_mode=doubao | voice_mode=provided |
两条路径共用同一套接力流程，产物完全一致，随时可以中断、换路径或续做。相关规则定义在 SKILL.md 的"缺少最终配音时必须先给出两条路径"一节。
二、路径一：配置豆包语音大模型，由 Agent 全自动合成 MP3
1. 只需提供三样东西：Key、speaker ID、模型资源
第一次使用豆包配音，Agent 会一次问齐三项配置（来源均为火山引擎语音控制台）：
- 语音 API Key：对应请求头
X-Api-Key，务必使用"语音服务"的 Key，别把 App ID、字幕 Key 或音色 ID 混进来； - speaker ID：音色库里的准确音色标识，不用音色显示名称替代；
- 模型资源 resource_id：普通 2.0 音色用
seed-tts-2.0，声音复刻 2.0 用seed-icl-2.0。
密钥建议通过宿主的安全输入 / 密钥配置入口提供，不要粘贴在公开聊天里；Agent 可用 scripts/voice_settings.py 从标准输入安全写入专用凭据文件，配置保存在用户数据目录，不进入项目文件与日志。
2. 零门槛依赖安装：不用你手动跑命令
Python、websockets、FFmpeg 等缺失依赖由 Agent 自动安装，不要求你打开终端。初始化说明见 references/setup.md，启动器入口为 scripts/bootstrap.sh（macOS/Linux）或 scripts/bootstrap.ps1（Windows）。
3. 合成前强制 dry-run 预检，确认后才真正花钱
合成由 scripts/doubao_tts.py 基于豆包 V3 双向 WebSocket 接口完成，流程上有多重"防翻车"设计：
- 先用
--dry-run仅核验本地文本和音色参数——不读取 Key、不联网、不发付费请求； - 本期 speaker ID、resource_id、语速、音量、朗读范围向你确认后，才加
--voice-confirmed正式合成； - 全文以不丢字符的文本流发送，收到
SessionFinished与完整音频后，再用 ffprobe + ffmpeg 做完整解码校验； - 成功输出 MP3 及同名
.voice.json元数据（文本哈希、音色、协议、音频哈希、时长），方便跨版本追溯； - 同稿同音色优先复用已成功的 MP3，默认不覆盖、避免重复扣费；网络超时不会自动重试，Agent 会先核对 partial 残留与控制台请求状态，再判断是否重新合成。
三、路径二：自备 MP3 无缝接力，不用手动做字幕
如果你已有录好的配音（真人录音、其他工具合成的音频都可以），直接把文件或本地路径交给 Agent 即可：
- Agent 自动核验音频：完整性、时长、与文稿的对应关系，已有可用最终音频时直接复用，不重复付费合成；
- 本地 Coli 离线转录：调用 transcribe_with_coli.py 识别出带逐句时间戳的 SRT 字幕，基于真实发声边界切分，绝不按字数瞎猜时间；
- 音文核对：对照文案修正转录错字、为重复句消歧，你不需要手工制作任何字幕文件。
转录结果同时作为后续时间轴的唯一依据：带时间的分镜表、配图与剪映草稿全部从这份 SRT 生长出来。
四、无缝接力：从 MP3 到剪映草稿的完整产物链
无论走哪条路径，拿到本期 MP3 后接力流程完全一致：
- Coli 转录→ 生成 SRT 与逐句时间戳；
- 带时间分镜→ 用真实 SRT 与上下文确定每镜起止，不按字数或镜数均分；
- 配图→ 按已确认的画风与数量生图（详见 modules/history-image/GUIDE.md）；
- 剪映草稿导出→ 基于
pyJianYingDraft生成 9:16 竖屏可编辑草稿，自动写入慢推拉关键帧与切点缩放（详见 modules/render-history-video/GUIDE.md）。
全程用voice_mode（doubao/provided/none）记录本期配音方式；只写稿时none，后续随时可继续配音。
五、常见问题速答
Q1：不确认会直接扣费吗？不会。未收到你的音色与参数确认前，不发送任何付费合成请求；等待期间 Agent 只推进不依赖音频的工作。
Q2：合成中途断网怎么办？脚本不自动重试，会保留 partial 文件供排查；Agent 先核对残留文件、已有 MP3 和控制台请求状态，再决定是否重新合成。
Q3：字幕是调用的火山字幕 API 吗？不是。字幕统一走本机 Coli 离线识别，项目不调用也不恢复任何云端字幕服务。
Q4：换了文案或重录了配音？时间轴全部失效重来：先回音文核验，再用新版音频重新转录、重新分镜，草稿使用新版本号，不覆盖旧草稿。
Q5：草稿画幅能改吗？默认 1080×1920 竖屏 30fps，用户明确要求时优先按用户设置。
六、延伸阅读
- 配音完整规则：references/doubao-voice.md
- 依赖自动初始化：references/setup.md
- 豆包合成脚本：scripts/doubao_tts.py ｜ 音色与凭据配置：scripts/voice_settings.py
- 本地转录脚本：modules/history-image/scripts/transcribe_with_coli.py
- 剪映草稿模块：modules/render-history-video/GUIDE.md
选对配音路径，剩下的交给流水线：一句话提需求，从定稿到可编辑剪映草稿，Story Studio 帮你走完最后几步。
【免费下载链接】story-studio
从选题到剪映草稿的一站式 AI 短视频内容创作 Agent Skill
相关推荐
【无套路自取】科大讯飞TTS离线语音包：Android端无网语音合成
【无套路自取】科大讯飞TTS离线语音包：Android端无网语音合成 你的 App 需要在地铁、车内、飞机等无网络环境下播报语音？在线语音合成会直接失效。科大讯
语音Video2X 视频超分：老番 5 分钟变 4K
Video2X 视频超分：老番 5 分钟变 4K 手里的老动漫只有 480p，放大后全是马赛克；30 帧的比赛录像动作一顿一顿的。Video2X 是一个开源的视
音视频视频处理图像处理人工智能5分钟实现Electron语音合成：从文字到自然语音的无缝转换
5分钟实现Electron语音合成：从文字到自然语音的无缝转换 你还在为桌面应用添加语音功能而烦恼吗？是否需要复杂的后端服务或第三方API支持？本文将带你探索如
桌面应用跨平台
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
 - 未来教育 - 视频讲解 - 资料获取)