# 缝合与导出 > **先分流:你现在缝的是哪条路线?**(2026-11-18 补) > > | 路线 | 镜头类型 | 音轨来源 | 用哪个脚本 | > |---|---|---|---| > | **A. 原生音画同出**(台词镜首选) | 有人说话、走 H3 `fl2va` | 模型原生 aac(对白+环境音),**不可编辑** | **`render_native.py`** | > | B. TTS 配音(无音轨镜) | 静音动作镜 / 空镜 / 旁白贯穿 | edge-tts 后期配 | `render.py` | > > **两条路线不要混**:给原生音画镜套 `render.py` 会叠出双份人声、强加落版、强改 720×1280 破坏 576×1024 源画质。 > 台词镜一律走下方「路线 B」的 `render_native.py`。 --- ## 路线 B:原生音画同出缝合(`render_native.py`) 台词镜的音轨是**模型整体声场**,不是可编辑配音。缝合器的职责只有三件:**直拼 / 烧字幕 / 遮盖瑕疵**,不配音、不加落版(末镜本就是落版镜)、不改分辨率与 fps。 ```bash python3 tools/render_native.py projects/EP01/30_shots.json # 直拼 python3 tools/render_native.py projects/EP01/30_shots.json --mask # 开启画面瑕疵遮盖 python3 tools/render_native.py projects/EP01/30_shots.json --name EP01_成片.mp4 ``` 关键约定(都是踩过坑换来的): 1. **按源实际时长拼接,不按设计时长**:`probe_duration()` 读每个 `Sxx.mp4` 的真实时长,累计成字幕时间轴。 按 `30_shots.json` 的设计时长硬拼会让音画逐镜错位(源实际常比设计长零点几秒)。 2. **字幕台词取自 h3v3 `[Audio]` 段**,不是 `30_shots.json` 的 `line`、不是 ASR: 正则解析 `0.0s-0.9s: "台词"` 逐句,**台词文本用引号内原文**(=定稿逐字)。 台词务必用**中文全角引号**(见 [pitfalls.md](pitfalls.md)),否则半角双引号会干扰解析。 🔴 **但时间轴绝不能直接用 `[Audio]` 里的设计时间**——见下方「字幕对齐」:H3 实际发声与设计时间系统性错位, 照抄设计时间(哪怕按 `源实际/设计` 缩放)会导致字幕整体早于口型 0.5–1.5 s。`render_native.py` 旧版按缩放做的已废弃, 出片前必须用 `align_subtitles.py` 按实测发声段重排。 3. **原生音轨一路保留**:标准化只做 `setsar=1,fps=24,format=yuv420p`,`-map 0:a` 原样带过去,重编码 aac 128k/32k。 **绝不叠 TTS**。 4. **画面瑕疵遮盖**(`--mask`,按镜头ID配 `MASK_REGIONS`,无瑕疵则不开): - 局部乱码文字(如药盒上的假中文字)→ `crop + boxblur + overlay` 轻度模糊; - 模型自发时间戳 / 座位数字 → **纯黑实心条 `drawbox` 覆盖**。 - ⚠️ 别用 `boxblur` 去盖时间戳——静态 ffmpeg 上会出**亮块**反而更显眼,且矩形要足够宽包住整串字符。 - 遮盖坐标是基于 576×1024 的像素矩形,换片/换分辨率必须重新量。 5. **保持 576×1024 / 24fps 无损**:concat 后一次烧 ASS、一次编码,`-movflags +faststart`。 6. **输出核验**:打印成片时长 / 体积 / 字幕句数 / 全部 Stream 行,**确认有 aac 音轨**才算成功。 ### 字幕对齐:按实测发声段,不按设计时间(2026-11-19 血泪) **症状**:字幕和说话对不上,且越到句尾偏得越多。 **根因**:h3v3 `[Audio]` 里的秒数是**写提示词时的设计值**,H3 实际说话的语速、停顿、起句延迟与设计系统性错位 (EP01 实测:S01 首句设计 0.0–0.9 s,人实际 0.54–1.0 s 才出声;后面逐句累积偏差更大)。 所以**任何形式的设计时间(原样 / 按 `源实际/设计` 缩放)都不能直接当字幕时间轴**——这是旧 `render_native.py` 的错误,已废弃。 **正确做法**(`tools/align_subtitles.py` 已封装,`--dry-run` 先看时间轴): 1. **台词原文不碰**:仍取 `[Audio]` 引号内逐字定稿,只重排时间。 2. **测真实发声段**:逐镜对原生 `Sxx.mp4` 跑 `silencedetect=noise=-32dB:d=0.12`,从静音块反推发声区间 `[(start,end)]`。 `AudioTranscribe` 转写服务常超时(EP01 连续 3 次 900 s 超时),**不要依赖 ASR 做时间对齐**;波形检测更准且可复现。 3. **逐句映射到发声段**:每镜用一张 `ALIGN` 表把「发声段索引」分配给各句;一句话被停顿拆成多段就合并多段索引, 连读挤在一段的多句(如 S08)就按各句设计时长比例切分该段。段索引必须与检测阈值**同一次生成**,混用不同阈值会错位。 4. **加边**:每句前后各 +40 ms 包住语音,最短 0.45 s 保证可读。 5. **`--dry-run` 必看**:打印每镜「实际发声段数 / 台词句数 / 对齐后时间轴」。 若某句落到 0.1–0.2 s 的极短段(气口/吸气),说明段索引错了,重排后再编码。 6. **重出**:对齐后的 `ep.ass` 交给 `render_native.py` 烧录(或直接用脚本内的缝合),旧成片先备份。 **静音镜要单独验音轨**:设计成 `SILENT SHOT` 的镜头,H3 仍可能自发吐音(EP01 的 S06 吐出 -14 dB 的英文)。 逐镜 `volumedetect` 扫一遍,本该静音的镜若中段响度远高于首尾底噪(首尾 -58/-65 dB、中段 -14 dB), 用 `-af volume=0` 整段静音后重拼。**这是音轨问题,改字幕没用**;药盒上的字母是画面本身,也不是烧录字幕,别误判成英文台词。 **后期包装层**(品牌角标 / 数据角标 / 证据小课堂 / 合规声明)用 ASS 叠在已验收的粗剪上, 不动原生音轨与已烧字幕,典型实现见项目侧 `render_package.py`(文案与时间窗按剧集改写)。 包装样式两条铁律(2026-11-19):① **全片叠字统一一种形式**——数据角标用 `BorderStyle=1` + 深色描边 + 透明底, 别用 `BorderStyle=3` 实心底框(会出突兀的"蓝底白字");② **角标文案不得与对白字幕重复**—— EP01 曾同时出现对白「十七例不良反应。」和角标「十七例不良反应 · 零上报」,应删其一。 --- ## 路线 A:TTS 配音缝合(`render.py`) `tools/render.py` 把已采用片段 + 配音 + ASS 字幕 + HUD 标注 + 落版缝成竖屏成片。**只用于无原生音轨的镜头。** ### 环境 - **ffmpeg 用 `pip install --user imageio-ffmpeg` 的静态版**;脚本运行时调 `imageio_ffmpeg.get_ffmpeg_exe()`。 - **不要用 brew 装**:macOS 12 + Homebrew 6 有 dav1d Ruby bug。 - 成片规格从 `config/pipeline.json → output` 读,默认 720×1280 / 30fps / H.264+AAC;全片不混用分辨率与帧率。 ### 逐段标准化 1. **去水印**:仅当源有水印时用 `--crop-bottom 60`(crop 去带 + 居中填充),**不用 drawbox**。本链路 I2V 输出通常无水印,默认 0。 2. **补足时长**:I2V 约 5 秒画面用 `tpad=stop_mode=clone` 克隆尾帧补足到 `duration`;清单标 `"pad": true`。 3. **`keepSeconds` 局部修正**:只取前 N 秒稳定段慢放到目标时长(漂移镜用),N 写在 `30_shots.json`。 4. 统一 30fps + `format=yuv420p`。 ### 字幕 - 取 `line` 完整旁白,**按标点折 1–3 行,标点不落单**;不在生成阶段烧字。 - 字体用系统中文体(如 PingFang.ttc),通过 `fontsdir` 指定。 - 竖排文字用 ASS 的 `\N` 逐字分行。 ### 包装 - HUD:横排 / 竖排两种,**全片文字只标一次(一横一竖)**;时间窗按累计 `duration` 计算。 - 落版:光环 / 光束 / 星点 + `zoompan` 缓推,用 `tools/make_overlay.py` 程序化生成(零积分)。 - `zoompan` 的 `d` 取总帧数(2s×30fps=60),`s=720x1280:fps=30` 并补 `format=yuv420p`,才能与主线 concat 一次编码。 - 片头 3 秒内出现核心冲突,不做长片头;转场克制。 ### 缝合顺序 先逐段标准化,再一次 concat(主片 + 落版)并同一步烧 ASS,避免多次重编码掉画质。 ### 配音先于剪辑 `work/EPxx/audio/vo_NN.mp3` 由 edge-tts 生成(音色见 `config/pipeline.json → tts.voice`)。**先量出每句实际时长再回填 `duration`**。若一句说完画面还空 2 秒没事发生,该镜剪短或加动作,不用加快语速硬塞。每角色固定音色并记录参数,避免下一集换声。 --- ## 交付(两条路线通用) - 只拼 `status: adopted` 的片段;`rejected` 另建候选目录,保留旧采用文件与提示词历史。 - 导出后登记 `renders/INDEX.md`(路径、时长、校验和、生成参数、来源片段),成片本体不入库。 - 交付文案区分「已生成 / 已采用 / 已合成 / 已归集」。 商用前核对音色授权与 AI 生成内容标识要求。