pikasTech-unidesk/project-management/PJ2026-02/specs/PJ2026-0204-audio-video-production.md

PJ2026-0204 音频成片需求规格

修改历史

版本	更新日期	变更说明
v0.1	2026-07-13	定义本地配音、可调语速、字幕时间线、成片和自动检查的目标能力。

正文

PJ2026-0204 音频成片需求规格

1. 文档控制

字段	内容
编号	PJ2026-0204
短名	音频成片
层级	L1 方向
规格状态	已生效
需求规格模板	ISO/IEC/IEEE 29148 需求规格模板
上级规格	PJ2026-02 智媒工厂总规格
规格治理索引	PJ2026-02 智媒工厂总规格 第 7 章

本文采用 ISO/IEC/IEEE 29148 需求规格模板的项目裁剪版。

正文只定义：

• 本地配音、时间线、字幕、音视频合成和媒体质量的预期终态；
• 对应验收契约。

2. 目的和范围

2.1 目的

音频成片的目标是：

• 把已审核文稿和确定性视觉场景合成为自然、清晰、同步的视频候选；
• 使用本地开源语音、可调语速和精确时间线；
• 支持可重复生成；
• 让编辑者只重跑声音、字幕或渲染；
• 避免因媒体参数变化而重做资讯采集和编辑策划。

2.2 范围内

• 中文和技术术语的口播文本规范化、分段、读音检查入口和本地 TTS 推理。
• 音色、基础速度、后处理语速、停顿、响度、采样率和缓存策略。
• 分段 WAV、整轨 WAV、句级时间线和场景时长分配。
• SRT、ASS 字幕的切分、换行、样式、尾部停顿和字幕安全区关系。
• HTML 场景逐帧捕获、字幕烧录、音视频编码、封面和场景时间线。
• 媒体流、分辨率、时长、响度、峰值、字幕尾部和完整解码检查。

2.3 范围外

• 文稿事实、叙事和专业对象说明，归 编辑策划。
• 场景版式、来源画面和动效语义，归 视觉制作。
• 使用外部付费配音、数字人、视频生成或云渲染服务。
• 把自动响度、媒体探测或字幕生成结果当作最终听感和表达批准。
• 未经授权复用第三方音乐、音效、配音或视频片段。

3. 术语表

术语	定义
配音单元	与开场和大纲、故事或来源场景对应的结构化可朗读文本。
原始语音缓存	按文本、模型、音色和缓存版本索引的 TTS 原始推理结果。
后处理语速	在原始 TTS 输出后以确定倍率调整时长的音频处理参数。
句级时间线	每个配音分段的场景身份、开始、结束、停顿和音频路径记录。
字幕提示	具有开始、结束、文本和场景身份的单条 SRT/ASS 内容。
场景时间线	最终成片中每个视觉场景的真实起止时间和章节身份。
响度归一	将整轨旁白处理到目标综合响度和真峰值约束的过程。
发布候选视频	通过自动技术检查、等待人工复核和批准的最终编码 MP4。

4. 系统边界和接口

本规格把音频成片作为媒体合成和技术质量能力看待，不负责内容事实和最终发布决定。

边界项	内容
外部使用者	编辑者、视频制作者、发布审核者和发布运营。
外部输入	配音单元、场景模型、HTML 动效、TTS/字幕/媒体 YAML、本地模型和可选背景音乐路径。
受控资源	原始语音缓存、分段音频、整轨音频、时间线、字幕、动效帧、MP4、封面和检查报告。
外部输出	WAV、时间线 JSON、SRT、ASS、MP4、封面、场景时间线、媒体清单和检查结果。
用户接口	TypeScript CLI 的配音、字幕、渲染和检查单步，音视频播放器及文件工件。
系统边界	音频成片负责“声音、字幕和画面是否技术同步并可播放”；不决定内容是否真实或是否公开发布。

5. 内部分工与下级索引

编号	模块或课题	规格位置	主责边界	上游依赖	下游支撑
PJ2026-020401	本地配音	本规格 6.1	文本规范化、TTS、声音、语速和缓存	编辑策划、本地模型	音频时间线
PJ2026-020402	音频时间	本规格 6.2	分段、停顿、整轨、响度和句级时间线	本地配音	字幕、场景时长
PJ2026-020403	字幕生成	本规格 6.3	提示切分、时间码、SRT/ASS 和尾部关系	音频时间	视频合成
PJ2026-020404	视频合成	本规格 6.4	场景帧、音频、字幕、编码、原子落盘和清理	视觉制作、字幕生成	媒体检查
PJ2026-020405	媒体检查	本规格 6.5	流、尺寸、时长、响度、峰值、解码和工件完整性	全部媒体环节	发布运营
PJ2026-020406	媒体重跑	本规格 6.6	参数影响范围、缓存复用和单步重新生成	流水线平台	编辑调试

本章图形描述音频成片的预期终态数据面。

5.1 目标数据面架构图

flowchart LR
  subgraph Inputs[媒体输入]
    Script[配音单元]
    Scenes[HTML 场景]
    Config[媒体 owning YAML]
    Models[本地 TTS 模型]
  end
  subgraph MediaPlane[音频成片数据面]
    Voice[配音与缓存]
    Timeline[音频时间线]
    Subtitle[字幕生成]
    Capture[确定性画面捕获]
    Encoder[FFmpeg 合成]
    Inspect[媒体技术检查]
  end
  Script --> Voice
  Models --> Voice
  Config --> Voice
  Voice --> Timeline
  Timeline --> Subtitle
  Scenes --> Capture
  Timeline --> Capture
  Capture --> Encoder
  Subtitle --> Encoder
  Timeline --> Encoder
  Encoder --> Inspect
  Inspect --> Candidate[发布候选媒体]

音频时间线是字幕和场景时长的共同时间事实。编码器只消费已登记输入，不负责修改文稿或场景语义。

5.2 目标数据流图

flowchart TD
  Units[配音单元] --> Normalize[口播规范化与分段]
  Normalize --> Cache{原始语音缓存命中}
  Cache -->|命中| Raw[原始分段 WAV]
  Cache -->|未命中| TTS[本地 TTS 推理]
  TTS --> Raw
  Raw --> Tempo[语速、停顿与响度]
  Tempo --> Audio[整轨 WAV 与句级时间线]
  Audio --> Cues[SRT / ASS]
  Audio --> SceneTime[场景时长]
  SceneTime --> Frames[HTML 绝对时间帧]
  Frames --> Encode[音视频编码]
  Cues --> Encode
  Audio --> Encode
  Encode --> Video[MP4、封面与场景时间线]
  Video --> Check[媒体检查报告]

缓存命中只复用与文本、模型、声音和缓存版本一致的原始语音。后处理结果和最终时间线必须按本次配置重新生成。

5.3 关键时序图

sequenceDiagram
  participant E as 编辑者
  participant V as 配音步骤
  participant T as 本地 TTS
  participant S as 字幕步骤
  participant R as 渲染步骤
  participant I as 检查步骤
  E->>V: 提交配音单步
  V->>T: 按分段查询缓存或本地推理
  T-->>V: 原始 WAV
  V->>V: 调速、停顿、拼接、响度归一
  V-->>E: 整轨 WAV 与句级时间线
  E->>S: 提交字幕单步
  S-->>E: SRT / ASS
  E->>R: 提交渲染单步
  R->>R: 按场景绝对时间捕获画面
  R->>R: 合成音频、字幕与视频
  R-->>E: MP4、封面与场景时间线
  E->>I: 提交检查单步
  I-->>E: 技术检查结果与人工复核提示

每一步都应使用已登记上游工件并可独立重跑。修改语速不应自动重新调用文稿 LLM；只改字幕样式不应重新执行 TTS。

6. 原子需求

6.1 MEDIA-L1-REQ-001 本地可配置配音

编号	短名	主责模块	关联模块
MEDIA-L1-REQ-001	本地配音	PJ2026-020401 本地配音	编辑策划、流水线平台

系统应使用本地开源中文 TTS 生成旁白，并由 owning YAML 管理引擎、模型、声音、采样率、分段长度、语速、停顿、缓存和响度参数。

口播文本规范化应：

• 处理注册符号、下划线、连接符、英文缩写和异常空白；
• 同时保留原始结构化文稿；
• 不改写事实或把技术标识变成错误词义；
• 在读音不确定时提供人工词表或改稿入口。

声音选择应满足：

• 自然、清晰并具有轻微表现力；
• 避免长篇机械平读；
• 允许替换更新的本地模型；
• 模型许可、文件哈希、运行资源和音色兼容性可复核。

默认后处理语速应为所选模型自然基线的 1.2x，并允许通过 owning YAML 调整。

修改语速后只重跑：

• 配音后处理；
• 时间线；
• 字幕；
• 渲染；
• 检查。

6.2 MEDIA-L1-REQ-002 精确音频时间线

编号	短名	主责模块	关联模块
MEDIA-L1-REQ-002	音频时间	PJ2026-020402 音频时间	PJ2026-020401 本地配音、视觉制作

系统应为每个配音分段记录场景身份、文本、音频路径、开始时间、语音结束、停顿和总结束时间，并据此拼接整轨旁白和分配场景时长。

后处理语速应以确定倍率改变分段和整轨时长，停顿应固化进时间线。字幕和视频必须读取时间线工件，而不是重新读取后来可能变化的 YAML 停顿值。

整轨音频应实施可配置响度归一，并保留目标综合响度、真峰值、响度范围和实际检测值。拼接过程不得丢段、重段或把场景身份从时间线上移除。

6.3 MEDIA-L1-REQ-003 可读同步字幕

编号	短名	主责模块	关联模块
MEDIA-L1-REQ-003	同步字幕	PJ2026-020403 字幕生成	PJ2026-020402 音频时间、视觉制作

系统应从句级时间线和实际配音文本生成 SRT 与 ASS，使两种字幕的文本、顺序和场景关系一致，并在格式量化允许误差内保持时间同步。

字幕切分应：

• 由最大字符数、最小字符数和最大行数约束；
• 优先按中文标点和语义边界断句；
• 不把长技术标识拆到难以理解的位置；
• 不让短词孤立闪现。

字幕样式应：

• 与视觉主题协调；
• 位于安全区；
• 具备足够字号、描边和背景对比。

最后一条字幕应在音频结尾前保留配置的尾部停顿，不覆盖片尾自然结束。

6.4 MEDIA-L1-REQ-004 确定性视频合成

编号	短名	主责模块	关联模块
MEDIA-L1-REQ-004	视频合成	PJ2026-020404 视频合成	视觉制作、PJ2026-020403 字幕生成

系统应按音频和场景时间线捕获确定性 HTML 动效帧，并使用本地开源媒体工具合成字幕、音频和视频。

视频编码参数由 owning YAML 管理，包括：

• 帧率、编解码器、码率和像素格式；
• 质量、预设、快速起播和字体。

背景音乐默认为空。如启用，必须有明确授权、音量策略和人工听感复核。

成片应先写临时文件并在成功后原子替换正式 MP4。失败、中断或取消后应清理临时视频和可再生帧缓存，同时保留作业日志和失败证据。

6.5 MEDIA-L1-REQ-005 媒体技术验收

编号	短名	主责模块	关联模块
MEDIA-L1-REQ-005	媒体检查	PJ2026-020405 媒体检查	发布运营、流水线平台

系统应对发布候选执行自动技术检查，至少验证：

• 视频流、音频流和分辨率；
• 音视频时长和场景时间线对齐；
• 声明工件存在和来源引用可解析；
• 响度、真峰值和字幕尾部停顿。

检查应使用：

• 实际 MP4 和 WAV；
• 字幕和场景时间线；
• 工件清单；
• 结构化文稿和来源清单。

检查不能只验证作业返回成功。必要时应完整解码候选视频，以发现尾部损坏或编码中断。

所有必要检查为真只表示候选满足技术门槛。检查报告必须保留人工复核提示，明确读音、字幕观感、视觉版权、事实和平台合规仍需发布者判断。

6.6 MEDIA-L1-REQ-006 有界重跑与缓存

编号	短名	主责模块	关联模块
MEDIA-L1-REQ-006	媒体重跑	PJ2026-020406 媒体重跑	流水线平台、编辑策划

系统应支持配音、字幕、渲染和检查分别单步重跑，并依据参数影响范围复用安全缓存。

原始语音缓存键必须包含：

• 文本；
• 模型；
• 声音；
• 缓存版本。

只改后处理语速、停顿或响度时可复用原始 TTS。改变文本、模型、声音或规范化语义时必须失效相关缓存。

每次重跑应生成新的作业记录和结果摘要。正式工件可以更新为最新候选，但历史作业、成本和失败证据不得被改写为同一次成功。

7. 过程控制

7.1 追溯契约

• 每个音频、字幕和视频工件应能追溯到配音单元、场景时间线、媒体配置和候选版本。
• 自动生成文件、纯配置、锁文件和二进制工件应由对应生成器、校验器或 owning YAML 提供稳定归属。

7.2 原入口验收

• 通过 TypeScript CLI 分别单步运行 voice、subtitles、render 和 inspect。
• 使用媒体探测核对 WAV 与 MP4 时长、采样率、编码、帧率、分辨率、响度和真峰值。
• 核对分段时间线连续、场景身份完整、字幕文本一致和最后字幕尾部停顿。
• 抽听开头、中段、技术术语密集段和结尾，检查机械感、语速、停顿、读音和削波。
• 抽看各场景关键时间点和最终来源页，检查字幕安全区、动效同步和编码完整性。

7.3 依赖和许可控制

• TTS 模型、声音文件、字体和媒体组件必须在工具 YAML 或第三方清单中保留版本、来源、哈希和许可边界。
• 依赖安装缺失时应通过受控工具安装流程恢复，不使用未登记系统路径静默替代。
• 新模型必须先验证中文、英文术语、许可证、CPU/GPU 资源、推理速度和可复现部署，再改变默认声音。
• 任何外部音乐、音效或素材在许可未明确前保持禁用。

7.4 回写边界

• 朗读内容本身冗长、含错误符号或事实表达不适合口播时回写 编辑策划。
• 场景动效、关键信息位置或安全区问题回写 视觉制作。
• 作业取消、缓存、进度、日志或工件索引问题回写 流水线平台。
• 技术检查通过后的事实、版权、平台和发布批准问题回写 发布运营。