Qwen-TTS 配音

默认模型 qwen-audio-3.1-tts-flash，默认音色安明远 anmingyuan_v3.1（更像真人；支持 --instructions 自然语言语气控制，48kHz）。 新模型常用男声：anmingyuan_v3.1 安明远（清亮自然，广告/旁白）、huozhuoshi_v3.1 霍拙石（清亮，广告/有声书）、 longsanshu_v3.1 龙三叔（沉稳）、longanchong_v3.1 龙安冲（激情带货）；女声如 longanhuan_v3.1。 方言音色（Dylan / Sunny / Rocky 等）和下面的老音色表属于 qwen3-tts-flash，要用时加 --model qwen3-tts-flash。

脚本：~/.claude/skills/qwen-tts/scripts/qwen_tts.py（纯标准库；mp3/m4a 输出和变速需要 ffmpeg）。

前提

• API Key 只从环境变量 DASHSCOPE_API_KEY 读（Windows 用户级环境变量也会读，setx 后无需重开会话）。 没配就停下告诉用户去 https://bailian.console.aliyun.com/ 创建，不要让用户把 Key 贴进对话、写进文件或命令行。
• 收费：按字符计费（约 0.8 元/万字），大批量（上万字）合成前先跟用户说一声。
• 单次接口上限 600 字，脚本自动按句子切块再拼接，不用手动拆。

用法

S=~/.claude/skills/qwen-tts/scripts/qwen_tts.py

# 列音色（--dialect 只看方言）
python $S voices

# 单段
python $S say "欢迎收听本期节目。" -o out.wav --voice Cherry
python $S say -f script.txt -o narration.mp3 --voice Neil --speed 1.1

# 多段旁白（视频用）：每段一个文件 + manifest.json（start/seconds）
python $S batch segments.json -d voiceover/ --format wav --pause 300

segments.json 两种写法：

["第一段旁白。", "第二段旁白。"]

{"voice": "Ethan", "segments": [
  {"id": "intro", "text": "开场白……"},
  {"id": "demo", "text": "演示……", "voice": "Cherry", "speed": 1.05}
]}

常用参数：--voice（默认 anmingyuan_v3.1）、--lang（仅 qwen3-tts-flash 用；默认 Chinese，英文稿 English，混合 Auto）、 --speed 0.5~2.0（ffmpeg 后期变速，不变调）、--gap 切块拼接间隔毫秒、--region intl（新加坡地域的 Key）。 语气控制：--instructions "广告播音，专业冷静，有说服力"（默认模型直接生效；batch 的每段也可写 "instructions"）。 需要字幕严格对齐时：一句一段合成（batch），字幕用原文、时间取 manifest 的 start/seconds，不要整篇一次合成再估算。

配乐 / 音效（qwen-audio-3.1-tts-next）

# 纯音乐，单次最长约 120s，耗时约 2 分钟；--loop-to 交叉淡化循环到全片长度
python $S music "纯音乐，不要人声：空灵电子音色与未来感合成器琶音铺入，随后加入克制的电子鼓，现代科技、明亮自信，中速，垫在旁白下不抢人声" -o bgm.mp3 --loop-to 244

• 接口字段是 input.text_prompt（官方文档未写，2026-10-21 实测；用 text 会报 text_prompt must not be empty），不需要 voice。
• 描述里写明「纯音乐、不要人声」；也可以描述音效 / 环境音（如「微信消息发送提示音，短促清脆」）。
• 按生成秒数计费（usage.duration）。旁白片子里配乐音量建议 0.05 左右，再配合 hyperframes-audio 的 voiceover carve。
• Fun-Music（/services/audio/music/generation）是邀请制，未开通时报 403，不要用。

声音复刻（固定音色）

# 样音 → voice_id；之后 say/batch 用 --voice <voice_id>，--model 与 --target-model 一致
python $S clone sample.wav --prefix myvoice1 -o voice_id.txt
python $S say "测试一句。" -o t.wav --voice "$(cat voice_id.txt)"

• 流程：取百炼临时上传凭证 → 样音传临时 OSS（oss:// 地址）→ voice-enrollment 的 create_voice 建音色（请求头要带 X-DashScope-OssResourceResolve: enable）。
• 典型用法：tts-next 能按「年龄、音色、语速」描述生成很像真人的声音，但每次调用音色都不一样，整片配音会每句一个人。 先用 tts-next 生成几段样音让用户挑，选定后复刻成 flash 音色，再逐句合成，全片音色一致。
• 样音 10～20 秒内、干净无配乐；复刻音色用原速合成，要快一点用 --speed（如 1.25）。

选音色

完整 48 个音色跑 voices 看。用户没指定时，选 1～2 个候选各合成一句试听，让用户挑，别直接整篇合成。

配合 HyperFrames

1. 先定稿旁白，按场景拆段写 segments.json（id 用场景名）。
2. batch 合成到项目的 assets/voiceover/，读 manifest.json 的 seconds 决定每个场景时长——画面跟着配音走，不要反过来压配音。
3. 音频按 hyperframes-core 的媒体规则放进 composition；和背景音乐的混音、旁白压低 BGM 交给 /hyperframes-audio。
4. 改了某一段文字只重合成那一段（单段 say 输出同名文件），然后更新该场景时长。

排错

• 缺少 DASHSCOPE_API_KEY：Key 没配，见「前提」。
• HTTP 401 / InvalidApiKey：Key 错了或地域不对（新加坡 Key 加 --region intl）。
• HTTP 400 提示音色不存在：音色名区分大小写，含空格的要加引号（"Eldric Sage"）。
• 返回的音频链接 24 小时有效，脚本已直接下载，不需要保留链接。