Skip to content

An AI editor that watches its own cut: talking-head / AI-avatar video → auto-edited short video. 网感口播精剪:数字人/真人口播 → AI 自动精剪成网感动效短视频 → 可选剪映分层草稿

Doubao TTS: synthesize the whole script in one request by default, speed 1.2

yehuiyu283833022a9c
diff --git a/digital-human/README.md b/digital-human/README.md
index 685f184..acad3c2 100644
--- a/digital-human/README.md
+++ b/digital-human/README.md
@@ -30,10 +30,10 @@ demo 里的声音不是 HeyGen 的,是先用豆包 TTS 配好音,再拿这
**生成**
```bash
export VOLC_APPID=... VOLC_ACCESS_TOKEN=... # 别写进任何文件或仓库
-python3 doubao_tts.py --file 文案.txt --out 口播.mp3 # 一行一句,逐句合成后拼接
+python3 doubao_tts.py --file 文案.txt --out 口播.mp3 # 整段一次合成
```
-- 默认音色 `zh_male_liufei_uranus_bigtts`(男声),语速 1.1,就是 demo 用的。换音色用 `--voice`,音色 id 在控制台音色列表里查。
-- 逐句合成更稳:一次塞太长的文案容易超字数,连发太快会被瞬时限流(报错就等几秒重跑)。
+- 默认音色 `zh_male_liufei_uranus_bigtts`(男声),语速 1.2,就是 demo 用的。换音色用 `--voice`,音色 id 在控制台音色列表里查。
+- 整段一次合成,语调才连贯;别拆成一句一句合成再拼(每句重新起调,衔接会断)。文案特别长、超出单次上限时才加 `--split`。
- 合成完建议听一遍,或用 whisper 转写核对有没有漏句。
## 出片
@@ -54,7 +54,7 @@ python3 heygen_avatar.py av5 --look <LOOK_ID> --audio 口播.mp3 --out a_roll.mp
## 我们实际是怎么做的(上面 demo 的那条数字人)
- **训练片**:自己的口播原片前 45 秒,竖版 1080×1920,单人正对镜头连续说话,手和麦克风不挡嘴(第一版 30 秒训练片手持麦在嘴边,生成的口型穿帮,换掉后正常)。
- **建分身**:HeyGen 网页 `Clone a Real Person` → 上传训练片 → 摄像头现录 consent → 训练完成后得到竖版 720×1280 的 look。
-- **配音**:没用 HeyGen 内置音色和分身克隆声,另用豆包语音合成(`zh_male_liufei_uranus_bigtts`,语速 1.1)把 110 字文案配成 17.9 秒 mp3:`python3 doubao_tts.py --file 文案.txt --out 口播.mp3`。
+- **配音**:没用 HeyGen 内置音色和分身克隆声,另用豆包语音合成(`zh_male_liufei_uranus_bigtts`,语速 1.2)把 110 字文案整段一次配成 17.9 秒 mp3:`python3 doubao_tts.py --file 文案.txt --out 口播.mp3`。
- **出片**:`heygen_avatar.py av5 --look <你的 look> --audio 口播.mp3`(引擎 avatar_v)。接口默认出 1280×720 横屏、人像在中间,脚本自动裁回竖屏。
- **花费**:这一条约 $2(从钱包余额差推算)。
- 然后把这条竖屏 mp4 当素材交给第 2 步精剪,就是上面的 demo。
diff --git a/digital-human/doubao_tts.py b/digital-human/doubao_tts.py
index d13147b..09dc367 100644
--- a/digital-human/doubao_tts.py
+++ b/digital-human/doubao_tts.py
@@ -4,8 +4,8 @@
需要:环境变量 VOLC_APPID、VOLC_ACCESS_TOKEN(火山引擎控制台 → 豆包语音),ffmpeg/ffprobe。
python3 doubao_tts.py --text "你的口播文案" --out 口播.mp3
- python3 doubao_tts.py --file 文案.txt --out 口播.mp3 --speed 1.1 --voice zh_male_liufei_uranus_bigtts
-文案按行分句逐句合成,句间留 0.16 秒气口再拼接(长文案一次合成容易超字数、语气也平)。
+ python3 doubao_tts.py --file 文案.txt --out 口播.mp3 --speed 1.2 --voice zh_male_liufei_uranus_bigtts
+默认整段文案一次合成(语调连贯,demo 就是这么做的)。文案太长超过单次上限时,加 --split 按行逐句合成再拼接。
"""
import argparse, base64, json, os, subprocess, sys, tempfile, uuid
@@ -35,9 +35,14 @@ def main():
g.add_argument('--text'); g.add_argument('--file')
p.add_argument('--out', required=True)
p.add_argument('--voice', default='zh_male_liufei_uranus_bigtts', help='音色 id,控制台音色列表里挑')
- p.add_argument('--speed', type=float, default=1.1)
+ p.add_argument('--speed', type=float, default=1.2)
+ p.add_argument('--split', action='store_true', help='按行逐句合成再拼接(仅用于超长文案,句间语气会断)')
a = p.parse_args()
lines = [a.text] if a.text else [l.strip() for l in open(a.file, encoding='utf-8') if l.strip()]
+ if not a.split:
+ lines = [''.join(lines)]
+ if len(lines[0].encode('utf-8')) > 1000:
+ print('⚠ 文案超过约 1000 字节,可能超出单次合成上限;失败的话加 --split')
tmp = tempfile.mkdtemp()
gap = os.path.join(tmp, 'gap.mp3')
subprocess.run(['ffmpeg', '-v', 'error', '-y', '-f', 'lavfi', '-i', 'anullsrc=r=24000:cl=mono', '-t', str(GAP), '-q:a', '9', gap], check=True)