Kinema Audio

---
name: kinema-audio
description: "设计 seed-audio-1.0 的声线描述和整章音频剧本。用户要定制音色、配乐、音效、逐句演绎，或把人声、音乐和音效一次生成并混好时使用。"
metadata:
  kinema-managed-by: "agent/manifest.json"
  kinema-kind: "capability"
  kinema-status: "stable"
  kinema-version: "2.0.0"
  kinema-owner: "Kinema"
  kinema-source: "workspace"
  kinema-trust: "first-party"
  kinema-digest: "sha256:05dfe5909bc1b32db0e644f002f3750656702b8a6807d5902bda6db95f2a716a"
---
# kinema-audio · 音频剧本写作

**这份 skill 管「声音的提示词怎么写」，不管流程**——流程仍在
[`../kinema/SKILL.md`](../kinema/SKILL.md)（节点③ 配音）。

服务它的模型是 **seed-audio-1.0**：吃一段自然语言 `text_prompt`，吐一条**已经混好的**
音轨（人声 + 音乐 + 音效同在一条里）。这与固定音色 TTS 是两种东西——那边你给它文本、
它念出来；这边你给它一场戏、它演出来。

**硬边界（写之前先知道）**：单次输出 **≤120 秒**；最多 **3 条参考音频**（每条 ≤30s、
≤10MB）或 **1 张参考图片**（≤10MB），音频参考与图片参考**不能混用**；`text_prompt`
≤3000 字符。

---

## 一、五段式结构

范例读下来结构高度一致，按这五段写就不会散：

### ① 声线定义段（每个说话人一行，写在最前）

```
男子1 是中青年男性，标准普通话，嗓音低沉，浑厚，富有磁性，气泡音，成熟
太后 是 55 岁左右的中年女性，嗓音端庄优雅，威严
调查员 是 35 岁左右的青年男性，声音温和，轻微鼻音，TVB 普通话，探案类电视剧风格
```

**五个维度，缺一个就少一层控制**：年龄段 · 性别 · 口音/语言 · 音质（低沉/沙哑/明亮/
偏尖细/气泡音/略带鼻音）· 气质（成熟/威严/张扬/谦逊/温柔/凶狠冷酷）。

写法纪律：
- **用可听见的物理属性，不用评价词**。「好听」「有魅力」模型渲染不出来，
  「嗓音低沉，略带沙哑，气泡音」可以。这条与写画面提示词的反主观词铁律同源。
- **角色名要在后文逐句复用**（「男子1 用严肃的语气说道」），名字是绑定声线的锚。
- 一个人物一行，行与行之间不空行；整段与下一段之间空一行。

### ② 音乐描述段

```
音乐以马林巴为主奏乐器，加入 pad 铺底、弦乐组、合成器 lead、电贝斯、打击乐，
整体情绪紧张悬疑。
```

**配器 + 织体 + 情绪**三件。进阶写法：
- **写清主奏与铺底的分工**（「竖琴主奏，电子合成小提琴演奏高音作为 pad」）；
- **音乐的变化点单独起一句**，并说清落在哪句台词前后
  （「此时音乐转变，竖琴主奏……」「伴随着一阵警报声，音乐停止。」）；
- **要它安静就明写「音乐停止」**——不写它会一直铺。

### ③ 逐句演绎段（正文主体）

```
男子1 用严肃且带有质问的语气说道："钟 sir，你是什么时候被收买的？"
男子2 通过电话回应，声音经过处理，显得有些遥远和失真，他用一种平静而无奈的语气说："……"
```

骨架恒为：**谁 + 怎么说 + 说什么**。
- 「怎么说」写**语气 + 音量/语速的变化 + 生理细节**（先吸一口气、结尾呈现气声、
  略微吞口水、强忍哭泣的吸气、声音因愤怒而拔高、语速变慢有些磕巴）。
- **音效缝进句子里，不另起清单**：用「伴随着 / 夹杂着 / 紧接着 / 句首 / 句尾 / 期间」
  把它挂到台词的时间位置上——
  「伴随着一声金属质感类似刀光『唰』的特效音」「句尾伴随着几声布鞋急促的跑步声」。
- **拟声词加引号**能显著提高命中率：`类似"咻"的法术闪过特效音`。
- 转场、环境底噪、群众杂音都当"一句"写（「然后出现一声类似『呼』的风声转场特效音」）。

### ④ 时间控制（可选，但对做视频极重要）

```
广告播音员语速慢、平缓地说道：[2.7s:5.7s]"美丽的旅程，值得一个璀璨的开始。"
```

在台词前加 `[起s:止s]`，模型会**按这个时间轴演**。

> **这是音频剧本能对齐分镜的唯一手段**。把每镜的 `dur` 累加成秒段写进去，
> 生成的音轨就落在画面的节拍上，画面一帧都不用改。方法论与
> `kinema-sketchboard` 把 `beats` 编译成「第几秒干嘛」发给视频模型完全同构——
> 一个编画面时间轴，一个编声音时间轴。

纪律：秒段之间**留呼吸**（别首尾相接排满）；改了分镜时长，秒段必须同改。

### ⑤ 参考绑定（可选）

```
女主 是青年女子，普通话，音调偏低，有些沙哑，饰演者为【参考录音1】
```

`【参考录音N】` 对应 `references` 数组里第 N 条音频（**顺序即编号**）。
用于"要这个人的声音"。图片参考走另一条路（按形象气质造声音），
**与音频参考互斥**。

> 记号对照：引擎自动追加的绑定行用 `@音频N`（`_score_anchor` 拼的那一行，
> 见第四节示例），与本节手写剧本的 `【参考录音N】` 是**同一件事的两种写法**
> ——都按 `references` 数组下标对位。走 `score` 命令时参考音由引擎随请求
> 附带并自动编号，**手写剧本时绝不要自己贴任何参考音记号**：编号与引擎
> 实发的数组顺序对不上，声音就派给了别人。

---

## 二、四种生成模式（对应引擎的 `doubao` 适配器）

| 模式 | 怎么触发 | 用在哪 |
|---|---|---|
| **纯文本生成** | 只给 `text_prompt`，不发 speaker（引擎 `prompt_only=True`） | **定制生成造音色**：`voice custom` 出的那批候选走这条 |
| 固定音色 | `speaker` = 豆包 2.0 音色 ID | 拿官方音色演一段带音效的戏 |
| 参考音频 | `audio_data` / `audio_url` / `references[]` | **音色锚定**：立档后全片每句都用它，这是不漂移的唯一办法 |
| 参考图片 | `image_data` / `image_url` | 按形象气质造声音；不能与音频参考或 speaker 同用 |

---

## 三、给「定制生成」写声线（当前落地范围）

`voice custom <项目> --name <角色>|--narrator --prompt "<声线描述>"` 的那段描述，
**就是第 ① 段**。引擎会自动拼成：

```
<角色名> 是<你写的声线描述>

<角色名>说道："<试听台词>"
```

所以你只写第 ① 段的内容，**不要自己带角色名和台词**。描述按**六槽位写 40~80 字**
（性别年龄段 / 音区明暗 / 音质质感 / 语速节奏 / 口音吐字 / 气质，不写情绪词），槽位表与
范例见 `kinema/references/voice-casting.md` 铁律 3；下表是从人设推各槽位的取材口径。

**按人设推声线的对照**（从 `characters[]` 的文字设定推，别凭空想）：

| 人设线索 | 落到声线描述 |
|---|---|
| 年龄/身份（少年、老者、帝王、匠人） | 年龄段 + 气质（张扬 / 苍老沉稳 / 威严 / 谦逊） |
| 出身地域、时代 | 口音（标准普通话 / 港式普通话 / TVB 普通话 / 轻微东北口音） |
| 身体状态（旧伤、烟瘾、久病） | 音质（沙哑 / 气泡音 / 略带鼻音 / 气声偏多） |
| 性格（隐忍、暴烈、疏离） | 语速与音调（语速偏慢 / 音调稍低 / 吐字清晰有力） |

**怎么挑**：同一段描述会生成 N 条演绎（生成式，每次都不同）。挑的判据不是
"哪个好听"，而是**哪个最像这个角色**——听完问一句「这个人会这样说话吗」。
`voice use --custom --no N` 选中的那条音频**就是这把音色本身**，之后全片每句都拿它
当参考音，所以选错了不是"换个候选"，是整个角色的声音都不对。

选中即立一条**音色档案**（音频落 `assets/voices/casts/`，此后不再改动）：挑错了、
或想听听上一版，`voice bank <项目>` 看档案、`voice use --cast vc_NNNN` 换回去，
两版都留着。已经有分镜用某把声音配过音时，那条档案删不掉——引擎会点名是哪几镜。

---

## 四、章节级：整片音频剧本（`audio_mode: scored`）

把**整章**的人声、配乐、音效交给音频模型一次生成，回来的是一条**已经混好**的成品轨。
它与缺省的「逐镜 TTS + BGM + 音效三轨确定性混音」是**互斥的两条路**，章节顶层
`audio_mode` 仲裁（`tracks` 缺省 / `scored`），与 `motion`（画面路线）正交。

### 4.1 先决定走不走这条路

| | `tracks`（缺省） | `scored`（音频剧本） |
|---|---|---|
| 声音 | 固定音色逐句合成 + 曲库 BGM + 音效，引擎按数值混音 | 模型按剧本一次演出并混好 |
| 改一个字 | `tts --force --only 3`，只重配那一句 | **整段重生**（最小粒度是段，不是句） |
| 稳定性 | 确定性，重跑一模一样 | 生成式，**每次演绎都不同** |
| 表演 | 语气靠 `emotion` 档位 | 自然语言直接导戏，上限高得多 |
| 计费 | 按字符 | **按秒**（单段可达 115 秒） |

**判据**：要可控、要能逐句返工、要多集音色一致 → `tracks`。
一整场戏的对白／配乐／音效需要浑然一体、且愿意接受"重来就是另一条"→ `scored`。

**切过去会失去什么，先说清楚再切**：这一章不再跑 `tts`（`needs_tts` 为假），
没有逐镜 wav，`tts --only`、逐句 retake、配音审阅那一整套都不在这条路上；
合成段也不再叠 BGM、不做闪避——让路 EQ 与 sidechain 那一层模型已经替你做完了。
确需在整轨之上再铺一层曲库 BGM，在章节顶层显式写 `scored_bgm: true`（缺省关闭，
引擎绝不自作主张叠加）。

**转场音效不归剧本接管**：scored 让开的只有 BGM／逐镜旁白轨／闪避三路，
转场镜的引擎音效与特效环境音照常叠加。段的接缝恰好落在转场镜上，剧本段尾
若已写了转场声（whoosh／riser 一类），要把那个转场镜的音效置 `sound: off`
（网页转场卡可改），否则两声叠响。

### 4.2 分段：转场镜就是段界

**每个转场镜收一段**（`audioscript.plan`，指挥层不自己切）：转场即场景切换，
一段戏在那里收束，音乐在那里重新起头是正常听感；转场镜归前一段作收尾，
章节以字卡/黑场冷开场时，开场转场归第一段开头（不切空段）。

- 分几段 = 转场把整章隔成几幕，一幕一段、一段一条完整音轨；
- 段界只认转场——切在一段连贯的戏中间，观众会听到音乐莫名其妙断一次。

单段另有硬上限：单次输出 ≤120 秒（引擎按 **115s** 留余量）。两转场之间超了
115s，引擎**不硬切**，而是点名让你在那段中间补一个 `transition add`——
在一句台词中间断开比多花一次调用更糟。

先看分段（**零成本，一个请求都不发**）：

```bash
python3 -m kinema score --chapter x/<ch> --dry-run
```

它给出几段、每段哪几镜、每段多少秒、哪些段剧本还没写、这一次真发几段多少钱。

### 4.3 剧本不是手写的：引擎起稿 → 你改写

**先起稿，别对着空框写**：

```bash
python3 -m kinema score --chapter x/<ch> --draft     # 零成本·不调模型·已写的段不覆盖
```

引擎按分镜确定性拼出**声线定义段 + 逐句「谁·[段内秒段]·台词原文」**——它只做
能确定的那部分，而那恰好是最容易错、错了最贵的两件：台词逐字取 `narration`/`lines`
（字幕与它同源，差一个字成片就是「念的和写的不一样」）、段内秒段按各句字数比例切
（每段各自一次请求、模型时间轴从 0 起，手算必错）。声线描述取材两级：
取**在用**那把定制音色的原话（造出这把声音的那段描述）→ 没有则给中性底并点名给你。

**你的活是在底稿上改写，不是重写**：

**音色不用你在剧本里操心**：凡是已经启用过音色（`voice use`，模版或定制都算）的
说话人，引擎发请求时会把那把声音的参考音一并带上，并在正文最前面补一行**文案与参考音
配套**的绑定：

```
旁白 是55 岁左右的中年女性，嗓音端庄优雅，威严，饰演者为@音频1。
```

描述取的是**注册过的那一份**（在用档案登记的那段原话，判据 `voicebank.voice_desc`），与外部选定/
定制时用的文案同源。两件缺一不可：只给参考音是给了声音却没给气质约束，只给描述则音色
每段重造——这条生成式路线**不逐段漂移**就靠这一行加那条参考音。

所以你只管把声线定义段写得贴人设，**不要自己往剧本里贴参考音标记**。单段最多锚三把
声音（接口上限），锚不上的引擎会点名，那几个人只能靠文字描述。

| 底稿已有 | 你要补 |
|---|---|
| ① 声线定义段（可能是中性底） | 按 `characters[]` 人设改具体：年龄/性别/口音/音质/气质五维 |
| ③ 逐句台词 + ④ 时间控制 | 逐句语气与生理细节（吸气/停顿/音量变化） |
| — | ② 音乐描述段（配器＋情绪，变化点单独起句） |
| — | 句内音效（用「伴随着/紧接着/句尾」缝进台词，不另起清单） |

网页入口在章节页「AU 音频剧本」台：「✎ 按分镜起草」填框（**不落盘**，改完点存稿），
「⧉ 音频剧本指令」把底稿连同人设一起复制给 Claude Code。

剧本落在章节顶层 `audio_script.segments[]`，**一段一条，条数必须等于分段数**
（对不上引擎拒发——分镜时长或转场改过而剧本没跟着改，硬发出去只会烧钱出错片）。

改写时两条铁律：

1. **时间控制用「段内相对秒」，不是全片秒。** 每段是各自一次请求，模型的时间轴
   每次都从 0 起。引擎在分段表里直接给出逐镜的段内秒段（`spans`），照抄即可：

   ```
   第 2 段（90s）段内秒段：镜4 [0s:30s]　镜5 [30s:60s]　镜6 [60s:90s]
   →  旁白低沉地说：[1.2s:6.4s]"……"        ← 落在镜4 的窗口内
   ```

   照 `start/end` 的全片秒去写，第二段往后会整体偏移一整段的长度。

2. **台词逐字取分镜的 `narration`/`lines`，一个字都不许改。** 字幕是从 `narration`
   逐字渲染的，剧本里改一个字，成片就是"念的和写的不一样"。要改台词就改分镜，
   改完剧本跟着改。

音乐与音效照第一节写：配器＋情绪一段，变化点单独起句并说清落在哪句前后；
音效用「伴随着／紧接着／句尾」缝进台词，不另起清单。

### 4.4 生成与返工

```bash
python3 -m kinema score --chapter x/<ch> --draft     # 起草（零成本），再按 4.3 改写
python3 -m kinema score --chapter x/<ch> --dry-run   # 看分段与报价
python3 -m kinema score --chapter x/<ch>             # 只补缺的段
python3 -m kinema score --chapter x/<ch> --only 2    # 第 2 段剧本改了，只重生这一段
python3 -m kinema assemble --chapter x/<ch>
```

**幂等按段不按片**：已在盘的段直接复用。改了某段剧本后普通重跑**只告警不重生**——
这条路按秒计费，"自动跟上最新剧本"在这里等于自动扣款；要跟上就点名 `--only N`。

**同一段连出几版挑一版**（生成式模型每次演绎都不同，这是正常用法而不是返工）：
重生成前引擎自动把现存那版入段版本栈，`--dry-run` 的分段表会显示「当前 v00N（历史 M 版可切）」，
`score --switch <段号> --to-v N` 切回任意一版——**互换而非覆盖，来回切不丢任何一版**，
切完引擎自动重拼整轨。网页在每段右上角「⏱ N 版」里逐版试听、一键切回。

网页入口是章节页的 **「AU 音频剧本」台**（与 3D 导演台、简笔分镜台并列的第三个工作台）：
逐段编辑框带段内秒段与字数计，一个按钮切路线，「⧉ 音频剧本指令」把分段坐标连同
写法要求一起复制给 Claude Code。

### 4.5 这一节最容易踩的四个

| 症状 | 根因 | 改法 |
|---|---|---|
| 第 2 段往后声音整体错位 | 时间控制写成了全片绝对秒 | 改成段内相对秒（照 `spans`） |
| 引擎报「segments 有 N 段，而按转场切出来是 M 段」 | 改过分镜时长/转场，剧本没跟着改 | 重跑 `--dry-run` 看新分段，逐段补齐 |
| 改了剧本重跑，听着没变化 | 普通重跑只复用不重生（防重复计费） | `score --only <段号>` 或 `--force` |
| 字幕与念出来的不一样 | 剧本里顺手改了台词 | 台词以分镜 `narration` 为准，两边同改 |

---

## 五、常见写坏的三种

| 症状 | 根因 | 改法 |
|---|---|---|
| 出来的声音平淡，像念稿 | 只写了声线、没写"怎么说" | 每句补语气副词与生理细节（吸气/停顿/音量变化） |
| 音效没出现 | 音效另起了一段清单，脱离台词 | 用「伴随着/紧接着/句尾」缝回台词的时间位置上 |
| 同一角色前后不像一个人 | 走了纯文本或 speaker 模式逐句合成 | 锁定一条参考音，全片走参考音频模式（引擎的音色锚定已默认这么做） |

## 何时不用

定制是缺省路；模版是显式例外——要一把官方固定音色作账号品牌声纹（跨项目完全可复现）时，
走 `kinema` SKILL 的 `voice audition` → `voice use`，句级表演提示不进那条路。