Dub YouTube with Voice.ai

核心用法

Dub YouTube with Voice.ai 是一个面向 YouTube 创作者的专业 AI 配音工作流工具，基于 Node.js 运行，通过 Voice.ai 的 TTS API 将文字脚本转化为可直接发布的完整配音方案。

主要功能

• 一键生成完整配音：从 .md 或 .txt 脚本输出带编号分段的 WAV 音频、拼接后的母带、YouTube 章节时间戳、SRT 字幕、预览页面及现成描述文案
• 视频配音替换：通过 --video --mux 参数将生成的语音直接叠加到现有视频，支持最短对齐、填充静音或裁切三种同步策略
• 智能缓存机制：基于文本内容+音色+语言的哈希缓存，修改仅影响变更片段，大幅提升迭代效率
• 多语言支持：覆盖英、西、法、德、意、葡、波、俄、荷、瑞、加泰罗尼亚等 11 种语言
• YouTube 专用模板：自动注入片头片尾，生成可直接粘贴到 YouTube 描述区的章节标记

显著优点

• 零依赖快速部署：单文件 .cjs 直接运行，无需 npm install（Node.js 20+ 即可）
• 本地化视频处理：视频流仅本地 ffmpeg 处理，不上传云端，保护原始素材隐私
• 专业级输出规格：母带经过响度标准化，AAC 编码兼容 YouTube 要求，SRT 字幕可直接上传
• 创作者友好设计：提供 review.html 交互页面逐段审听，支持 --mock 模式零成本测试完整流程

潜在局限与风险

• 外部 API 依赖：核心 TTS 功能完全依赖 Voice.ai 商业服务，需付费 API 密钥，存在服务中断或价格变动风险
• ffmpeg 为可选依赖：若无 ffmpeg，仅能生成分段 WAV 和元数据，无法自动拼接母带或视频混流
• 音色选择受限：预设音色仅 9 种，扩展需通过 API 查询，且非自托管模型无法离线使用
• 长文本分段限制：单段超过 490 字符会自动拆分，可能影响自然停顿控制
• 平台锁定风险：输出格式高度针对 YouTube 优化，迁移至其他平台需手动调整

适合人群

• 需要高频产出 YouTube 长视频/Shorts 的个人创作者与 MCN 机构
• 制作多语言版本内容的国际化运营团队
• 希望降低配音成本、提升迭代速度的教程/知识类频道
• 已有现成视频素材、仅需替换旁白的屏幕录制或游戏解说创作者

常规风险

• API 速率限制与额度：可能遇到 429 限流或 402 余额不足，需监控用量
• 版权与肖像权：使用第三方训练音色（如 Corpse Husband、Master Chief 等）需确认 Voice.ai 的授权范围，避免侵权争议
• AI 语音透明度：YouTube 平台对 AI 生成内容有披露政策要求，需主动标注
• 缓存失效误操作：--force 会强制重渲全部片段，可能意外消耗 API 额度

核心用法

dub-youtube-with-voiceai 是一款面向 YouTube 创作者的 AI 配音自动化工具，核心功能是将文本脚本转换为可直接发布的完整视频素材。只需一条命令即可完成：语音合成 → 音频拼接 → 视频混音 → 章节生成 → 字幕导出全流程。

典型工作流

node voiceai-vo.cjs build \
  --input script.md \
  --voice oliver \
  --title "教程视频" \
  --video ./recording.mp4 --mux

输入支持 Markdown（按 ## 标题分段）或纯文本（按句子自动分句）。输出包含：master.wav 主音频、muxed.mp4 混音视频、chapters.txt 章节时间戳（可直接粘贴到 YouTube 描述）、captions.srt 字幕文件、review.html 分段审听页面。

显著优点

• 一站式交付：传统工作流需要分别操作 TTS 工具、音频编辑软件、字幕生成器、视频剪辑软件，此工具全部集成
• 智能缓存：基于文本+语音+语言哈希的缓存机制，修改单段仅重渲染该段，迭代效率极高
• 多语言原生支持：内置 11 种语言支持（en/es/fr/de/it/pt/pl/ru/nl/sv/ca），自动切换多语言 TTS 模型
• 本地隐私优先：视频处理完全本地执行，仅脚本文本发送至 Voice.ai API
• YouTube 模板化：--template youtube 自动注入频道片头片尾，标准化品牌输出

潜在缺点与局限性

• 外部 API 依赖：核心 TTS 功能绑定 Voice.ai 商业服务，需持续付费且存在服务中断风险
• ffmpeg 可选但关键：若无 ffmpeg，无法完成音频拼接和视频混音，仅能输出分段文件
• 语音风格受限：依赖 Voice.ai 预设声线，无法自定义微调音色、语速、情感强度
• 长文本自动切分：超过 490 字符的段落会被强制拆分，可能破坏语义连贯性
• T3 来源风险：个人开发者维护项目，长期维护承诺存疑

适合人群

• 批量制作教程/解说类视频的独立创作者
• 需要多语言本地化配音的 MCN 机构
• 追求「无麦克风录制」工作流程的屏幕录制博主
• 需要快速迭代脚本、频繁调整内容的敏捷创作者

常规风险

• API 密钥泄露：需妥善保管 VOICE_AI_API_KEY，建议使用 .env 文件而非环境变量全局设置
• 额度消费失控：TTS 按字符计费，长脚本+多语言版本可能快速消耗 credits
• 版权与肖像：使用「Corpse Husband」「Zhongli」等角色声线需注意平台内容政策风险
• 音频质量上限：AI 语音的自然度、停顿节奏仍不及真人配音，对高情感表达内容可能生硬
• 缓存失效陷阱：修改后若发现音频未更新，需手动 --force 清除缓存

技术架构

纯 Node.js 单文件设计（voiceai-vo.cjs），零 npm install 依赖，仅 3 个生产依赖（chalk、commander、dotenv）。代码经 CLS-Certify v2.1.0 扫描，静态分析 90 分，无危险函数调用，输入验证完善。

| 指标 | 结果 |

|------|------|

| 静态代码分析 | 90/100 ✅ |

| 动态行为分析 | 85/100 ✅ |

| 依赖审计 | 95/100 ✅ |

| 网络流量分析 | 80/100 ✅（仅 HTTPS 访问 dev.voice.ai）|

| 隐私合规检查 | 85/100 ✅ |