配音与字幕引擎：听觉人设与音画对齐的自动化
多音色 TTS 配音、字幕按配音真实时长烧录、BGM 自动混音——听觉环节的全自动化方案。本文讲清音色管理、对齐机制与混音的工程细节。
听觉是账号人设的另一半
视觉人设（画面风格、出镜形象）之外，音色是观众识别你的第二通道——刷到视频听到第一句就知道是你，这种听觉识别度靠音色的长期稳定。配音引擎的设计目标就是把"听觉人设"变成可管理的配置：选一次音色，全账号终身沿用。
配音引擎的工作方式
音色库：接入 qwen-tts 等多音色 TTS（走你自己的 Key，按官方价计费——一条 60 秒口播的配音不到 5 分钱），覆盖男女声、年龄层、语气风格。选择建议见音色词条。
逐镜配音：每个切片独立指定音色生成配音——多角色对白按角色绑定音色（见多音色方案），单角色内容一色到底。
单镜重配：台词改一句只重配那一镜；情绪不对换语气重跑。配音的成本颗粒度到镜，试错不心疼。
字幕引擎：对齐的机制保障
字幕的时间轴来自配音文件的真实时长，不是文案字数的估算——先有音频才有时间轴，这是"永远对齐"的机制基础。断句按语义切分（单屏 12~18 字、主谓完整），专有名词支持人工校对。字幕在最终合成时统一烧录（硬字幕），切片重跑后字幕自动跟随新配音——不存在"改了配音忘改字幕"的事故。原理细节见字幕烧录原理。
混音的自动化
BGM 自动混音按"人声优先"处理：对白段 BGM 自动压低、空镜段恢复——省掉手工调音量的全部时间。导出的成片音画平衡即成品状态，直接发布。
一条龙的意义
配音、字幕、混音这三件事在传统流程里占一条视频工时的 40% 以上，且都是"错了要返工"的高危环节。自动化之后，它们从"工序"变成"配置"——你选音色、核名词、挑 BGM，其余交给系统。这正是切片制流水线对个人创作者最大的解放。
常见问题
字幕真的永远对齐吗？
机制上是的：字幕时间轴来自配音文件的真实时长（不是文案估算），烧录发生在最终合成时——切片重跑后字幕自动跟随新配音。唯一的错字风险在专有名词，逐镜审核时顺手改。
一条视频能用几个音色？
单角色内容一个音色贯穿（听觉人设）；多角色对白 2~4 个音色按角色绑定，每个切片独立指定——改台词只重配那一镜。
BGM 会压过人声吗？
不会。混音自动化按"人声优先"处理：配音切片播放时 BGM 自动压低（ducking），无对白段恢复正常音量。