用途：为 HyperFrames 合成准备素材，包含 tts（语音）、transcribe（词级时间戳）、remove-background（透明视频/抠图）三条 CLI 命令。首次运行下载模型并缓存于 ~/.cache/hyperframes/，产物放入项目后在合成 HTML 中引用。
文本转语音：本地运行 Kokoro-82M，无需 API key。示例：npx hyperframes tts "Text here" --voice af_nova --output narration.wav；也可传入 .txt 路径，用 --list 查看全部 54 个音色。默认音色 af_heart。音色 ID 首字母表示语言（a 美式英语、b 英式英语、e 西班牙语、f 法语、h 印地语、i 意大利语、j 日语、p 巴西葡语、z 普通话），CLI 自动检测音素化区域，仅在需要覆盖时用 --lang（en-us、en-gb、es、fr-fr、hi、it、pt-br、ja、zh）。非英语音素化需系统安装 espeak-ng。语速建议 0.7-0.8 教程、1.0 默认、1.1-1.2 开场、1.5+ 慎用。长脚本写入 .txt 传入，超过约 5 分钟建议分段。依赖 Python 3.8+ 及 kokoro-onnx、soundfile。
转写：生成带词级时间戳的 transcript.json，支持音频、视频及导入 srt/vtt/OpenAI 响应 JSON。语言规则：除非明确为英语，不要用 .en 模型，否则会把非英语翻译成英语。已知非英语用 --model small --language <code>；已知英语用 small.en；未知语言用 small 自动检测。默认模型为 small。模型从 tiny（75 MB）到 large-v3（3.1 GB）。输出为扁平词对象数组，含 id、text、start、end。
背景移除：用 u2net_human_seg（MIT）抠出人物等主体，输出透明视频或图片。示例：npx hyperframes remove-background subject.mp4 -o transparent.webm（默认 VP9 alpha WebM），.mov 为 ProRes 4444，.png 为单图抠图。--background-output 可同时输出反向 alpha 的 plate 层，仅适用于视频输入与 .webm/.mov 输出；plate 是挖洞而非修复，需在下方垫不透明内容。--quality fast|balanced|best 只控制 VP9 CRF，分割质量固定。合成时注意：抠图视频的透明度动画要放在无 data-* 的包裹 div 上，框架会强制活动片段 opacity:1；两段视频用相同 data-start 与 data-media-start 保持同步。
限制：模型首次下载体积较大；非英语音素化需 espeak-ng；背景移除不提供干净底板修复，需另用 inpainter；其余细节资料未提供。