voice-clone-tts

无需安装即可预览：点击页面开始播放，体验 25 秒 MiniMax 克隆配音 + 真实 SRT 时间轴 + 16:9 连续动画。在线样片使用作者授权的示例配音。主入口使用 GitHub Pages，也可访问 Vercel 备用入口。

想修改或本地演示？完整源码和成品配音已纳入本仓库的 examples/live-demo，全新 clone 后即可运行，无需配置 TTS 账号：

cd examples/live-demo/presentation
npm ci
npm run dev

使用 Node.js 22 LTS。修改源码后需要重新构建并发布；GitHub Pages 与 Vercel 的发布方式见 Demo 维护说明。

Creator Pipeline 是一组可以配合使用的 AI Agent skills。先用自己的录音克隆配音，得到真实音频时间轴；再让 Agent 把内容做成卡片、图解与连续 MG 场景，让画面跟着声音展开。

默认使用 MiniMax speech-2.8-hd 与你自己的克隆音色，需要可用的 MiniMax 凭据和额度。无云账号时可显式选 --provider local，用免费的 Qwen3-TTS：Apple Silicon 走 MLX，其他平台走官方 PyTorch。安装的是脚本、模板与制作方法；本地模型在首次使用时下载，个人声音不会随技能分发。

安装两个 skills

npx skills add NanmiCoder/creator-pipeline \
  --skill voice-clone-tts \
  --skill web-video-presentation

安装器会让你选择 Agent 和安装范围。想先看看内容：

npx skills add NanmiCoder/creator-pipeline --list

支持 Vercel skills CLI 的 skills/<name>/SKILL.md 目录发现方式，无需另装本项目的 npm 包。已实测 Codex 与 Claude Code 的项目级复制安装。

给 Agent 的第一条任务

准备 script.md 和一段干净、单人、无配乐的本人录音 my-voice.mp3，MiniMax 参考片段建议 10–30 秒（接口接受 10–300 秒），本地模型通常选 3–30 秒。然后发送：

使用 voice-clone-tts 和 web-video-presentation。文案在 script.md，参考声音在 my-voice.mp3。先使用我的 MiniMax 音色；没有音色时用这段本人录音在 MiniMax 登记。制作代表性配音样片，检查读音和音色；再生成完整 WAV、MP3、SRT。基于最终时间轴制作 16:9 自动播放网页演示：少放整段文字，用连续图解、卡片状态变化和 MG 解释内容。完成后运行校验，并在浏览器实际播放、检查转场，交付运行方式。

配音脚本需要 Python 3.12、uv 和 FFmpeg；网页需要 Node.js/npm。skill 内的 setup.py 会创建独立 Python 环境。完整命令见 配音环境；想直接跑固定样例，见 first-video。

两个 skills，各有清楚的交付

音频先定下来，画面才有可靠的节奏。voiceover.json 连接两步：导入时核验音频采样帧、字幕和文件哈希，改稿或缺段后不会继续拼接旧结果。SRT 按实际合成段的采样帧计时，属于句段级时间轴，不是字级强制对齐。

网页中的 step 表示口播焦点，scene 表示连续空间。几个句子可以共用一个场景：卡片转成窗口，连线显示关系，游标推进时间；每句口播无需重新换一张文字页。

这版现已成为默认模板，随 npx skills add 一起安装。新建项目首页即可逐拍体验，无需生成配音；自动播放提供明确标注的无声演示。它在六段口播内设计了 21 个动作拍，支持逐步播放、回退与重播；从波形拆分、时间标记到卡片关系持续推进。见默认模板用法、真实配音示例和同配音对照记录。

截图来自六句文案的实际运行，保留预览外框。振幅概览取自最终配音，窗口是制作流程示意。已公开的成品配音随 Demo 提供，原始参考录音和私人音色 ID 不包含在仓库中。

预览、自动播放与验帧都保留清晰的 16:9 舞台。验收兼容用户指定或本机可用的 ego-browser、agent-browser 及其他真实浏览器 skill，不要求安装某个品牌的浏览器。

输出是 HTML 网页演示，不是 .pptx。安装 skills 不会自动替你生成或上传视频。审核通过后再导出，见下方「导出成片」。

MiniMax 默认，保留免费本地方案

这次默认取自用户对本人声音的三段试听选择。声纹模型对 MiniMax 与 Qwen 的分数接近，并未证明普遍胜负；对照方法与结果保留这些限制。缺少账号或音色时会提示配置，不静默切换供应商。

本地模型代码和权重分别遵循上游许可。Nano、Qwen Base 及所选 MLX 权重的公开许可、固定版本与取舍见 TTS 选型。MiniMax 的权限和费用以账号实际额度为准，不按套餐名字推断。

“免费本地”仍然需要首次联网下载、磁盘与运行内存。历史 Nano 短样本在这台 Mac 上进程峰值约 3.5–3.9 GiB，不能据此承诺所有低配电脑都可用。完整 Nano Python 入口仍用到 PyTorch 音频预处理，ONNX 并不意味着整个依赖链都没有 PyTorch。

做过什么验证

• 真实配音与交接：同一份六句文案分别通过 Nano 和 Qwen MLX 生成，再由实际 WAV/SRT 驱动网页演示。
• 内容核对：Nano 首轮出现局部 ASR 转写偏差，保留失败记录并只重试对应句子；不把“能播放”当作“读对了”。
• 故障恢复：改一段、换参考、损坏缓存、真实进程中断、搬迁目录，都做过独立前向测试；导入器会拒绝损坏或过期清单。
• 网页质量：真实 TypeScript 检查、时间轴校验、构建与浏览器播放；文案密度、构图和动作含义仍需要视觉审查。

数字、范围、失败与修复记录见 验证报告。目前有单人三段试听选择与两轮声纹辅助对照，没有跨机器速度基准、受控双盲研究或大样本返工率结论。

导出成片

画面审核没问题后，在预览页右上角点 导出，选 1K / 2K / 4K，下载 MP4。按同一时间轴逐帧生成 16:9 舞台与配音，进度条、角标和外框不进成片，无需分享标签页。导出耗时取决于设备和画面复杂度；处理慢不会通过跳帧来追赶。请保持页面打开。

音轨来自导入的配音文件，不依赖系统回环。旧浏览器或画面包含不支持的实时媒体时，仍可用 OBS 等录屏软件框选舞台，见 导出说明。

开发与贡献

skills/
  voice-clone-tts/          # 本地/云配音适配器、缓存、SRT 和验证
  web-video-presentation/   # 场景制作方法、主题、网页运行时与导入器
examples/first-video/       # 不含私人声音的可复现端到端样例
examples/live-demo/         # 线上有声 Demo 的源码、计划、配音、字幕与部署入口
tests/                     # 无需模型或云账号的故障与交接测试
docs/                      # 模型取舍、实测结果与验证边界

python3 -m unittest discover -s tests -v
python3 scripts/check-package.py

欢迎带着复现文案、后端版本和脱敏日志提交 issue；不要附上密钥、未授权的录音或模型权重。对于新后端，优先补齐输入契约、许可、真实短样本和失败恢复证据。

致谢与许可

项目代码使用 MIT。网页技能基于 ConardLi/garden-skills 的 Web Video Presentation 持续改进，保留原许可；配音运行依赖 OpenMOSS、Qwen、MLX Audio 等开源项目。第三方代码、模型与字体不因被本项目使用而变更许可，见 THIRD_PARTY_NOTICES。