核心用法
本技能是一款面向 YouTube 创作者的专业 AI 配音工具，基于 Voice.ai 的 TTS（文本转语音）技术，将脚本转化为可直接发布的完整配音作品。核心工作流程为单命令执行：build 命令读取 Markdown 或纯文本脚本，按章节（## 标题）或自动分句拆分为语音片段，调用 Voice.ai API 逐段渲染，最终输出 stitched 主音频、章节时间戳、SRT 字幕、YouTube 描述模板及交互式审阅页面。
支持视频配音（--mux 模式），通过 ffmpeg 将生成的配音叠加到现有视频，提供 shortest/pad/trim 三种同步策略。内置智能缓存机制：基于文本内容、音色 ID 和语言的哈希值，未变更片段跳过渲染，实现快速迭代。多语言支持涵盖 11 种语言（en/es/fr/de/it/pt/pl/ru/nl/sv/ca），自动切换多语言 TTS 模型。
显著优点
- 一站式出版流程：从脚本到 YouTube 发布所需的全套资产（音频、字幕、章节、描述）一键生成
- 创作者友好的音色库：预置 9 款优化别名（如
oliver适合教程、lilith适合 ASMR），涵盖游戏、纪录片、生活方式等场景 - 高效迭代：智能缓存避免重复渲染；
--force支持全局重渲；--mock支持离线流程测试 - 隐私保护：视频处理完全本地，仅脚本文本发送至 Voice.ai API
- 无依赖部署：单文件 Node.js 脚本（≥20），无需
npm install，可选 ffmpeg 扩展音视频处理能力
潜在缺点与局限性
- 外部 API 依赖：核心 TTS 功能完全依赖 Voice.ai 服务，存在服务中断、价格变动、地区可用性等风险
- 成本模型：按 API 调用计费，长脚本或大频道需持续投入；信用不足（402）会直接中断工作流
- ffmpeg 可选但关键：无 ffmpeg 时无法完成音频拼接、视频配音和响度标准化，输出仅为分散片段
- 平台锁定：章节格式、描述模板针对 YouTube 优化，迁移至其他平台需手动调整
- 音色克隆限制：不支持用户自定义音色上传，仅能用平台提供的预设音色
适合人群
- 独立 YouTube 创作者：需要稳定输出、不愿投资录音设备的个人频道运营者
- 教育/知识类频道：课程、教程、解说类内容的批量生产
- 多语言运营团队：需快速生成多语言版本以拓展国际受众的 MCN 或品牌频道
- Shorts 创作者：利用自动分句和快速渲染能力，适配短视频快节奏生产
常规风险
- API 速率限制（429）：顺序渲染设计已缓解，但高峰时段仍可能触发限流
- 信用不足导致中断：需监控 Voice.ai 账户余额，建议设置预算预警
- ffmpeg 路径或编码问题：Windows 路径含空格需引号包裹；非标准视频编码可能导致 mux 失败
- 内容合规风险：AI 生成音频需符合 YouTube 的 AI 内容披露政策，建议在描述中标注