音频素材生成与获取技能，用于为视频项目准备旁白、背景音乐和音效，并输出供 Remotion 做时序同步的时长数据。
用途 该技能负责三类音频素材：旁白（VO）、背景音乐（BGM）和音效（SFX）。旁白通过 Edge TTS 生成，BGM 与 SFX 从 Freesound 检索下载。最终生成 durations.json，用于 Remotion 中的镜头时长计算、音频层定位和旁白同步。
主要能力
- 旁白批量生成：解析 {project_dir}/manifests/script.md 中所有 [VO_XXX] 标记及其文本，逐段调用 Edge TTS，按配置的音色与语速生成，保存为 {project_dir}/raws/audio/vo/VO_XXX.wav。
- 音色选择：default 别名映射到 zh-CN-XiaoxiaoNeural，也可直接传入任意有效的 edge-tts voice ID；完整列表与建议见 references/edge-tts.md。
- 语速调整：默认语音可能偏慢，建议使用 1.2 更自然。语速范围 0.5 至 2.0，旁白推荐 1.0-1.3，情感/戏剧性内容推荐 0.8-1.0。
- 语速与 storyboard pacing 对应：slow 用 1.0（放慢，营造沉浸感与情感重量）；medium 用 1.2（默认自然叙述）；fast 用 1.3（加快，营造紧迫感与兴奋感）；pause 为呼吸段，无旁白，不生成 TTS。若 storyboard 未指定 pacing，默认 medium（1.2）。pacing 为逐镜头值，同一视频不同 VO 段可有不同语速。应用 pacing 语速后，时长提取必须反映该语速下的实际播放长度。
- 时长提取：为时序同步提取音频时长，此步骤为强制步骤。输出 durations.json，格式为 VO_XXX 到毫秒整数的映射，例如 {"VO_001": 3450, "VO_002": 2800}。所有值必须为毫秒整数，script.md 中每个 [VO_XXX] 都必须有对应条目，时长反映配置语速下的实际音频长度，任何音频修改后都必须重新提取。
- durations.json 与视听关系：durations.json 格式本身不变，但 Builder 的 timing.ts 模块会结合 storyboard 的 audio_visual_relation 字段与 durations 计算实际音频起始帧。sync 表示音频与视觉镜头同帧开始；lead-visual 表示视觉略早于音频（音频偏移为正）；lead-audio 表示音频略早于视觉切换（音频偏移为负）；counterpoint 表示音频时序同步但视觉内容有意不匹配。timing.ts 中的 audioOffsetFrames 函数读取这些值应用帧级偏移，Audio agent 无需为此修改 durations.json，由 Builder 下游处理。
- BGM 检索：从 Freesound 下载免版税音频。搜索匹配视频情绪的 loop 或长音频，最短时长 60 秒以覆盖整片，关键词描述情绪、流派与配器。BGM 节奏匹配按章节主导 pacing 选择 BPM：slow 为 60-80 BPM（ambient、piano、soft strings、lo-fi）；medium 为 90-110 BPM（corporate、light electronic、acoustic）；fast 为 120-140 BPM（upbeat electronic、driving percussion、energetic）；breathing shot 用环境音/氛围音或与前后章节 BGM 淡入淡出衔接。章节主导 pacing 由其镜头中出现最多的 pacing 值决定；若视频有不同 pacing 的章节，可考虑多首 BGM 交叉淡化过渡；搜索时在关键词中包含 BPM 范围（如 "ambient piano 70bpm"、"upbeat electronic 130bpm"）。BGM 应衬托而非压过旁白，较低 BPM 更易置于旁白之下。
- SFX 检索：搜索短促有力的转场与 UI 反馈音效，最长通常 3-5 秒，关键词描述所需的确切声音。
- 许可信息：CC0（公共领域）无需署名、可商用；CC-BY 需署名、可商用。CC-BY 音效需在 raws/audio/LICENSES.txt 中记录署名。
使用方式 工作流：生成旁白（处理 script.md 中所有 [VO_XXX]，生成 VO_XXX.wav，提取时长创建 durations.json）；检索 BGM（下载到 raws/audio/bgm/）；检索 SFX（下载到 raws/audio/sfx/）；验证并报告。 输出结构：raws/audio/ 下含 vo/（VO_001.wav 等及 durations.json）、bgm/、sfx/ 和 LICENSES.txt。 增量模式：当 dispatch context 中 mode 为 "incremental" 时，输入为 amendment.affected_resources 中指定的 VO 段落 ID 列表。仅定位并重新生成指定 VO 段落，使用与原始生成相同的 character、tone、speed 配置，替换对应 WAV 文件，并必须重新提取完整 durations.json，返回处理摘要（重新生成了哪些 VO、新旧时长对比）。不重新生成未指定的 VO，不重新检索 BGM/SFX（除非 amendment 明确要求）。即使只修改一个 VO 片段，也必须重新提取整个 durations.json，因为时长变化可能影响下游 Remotion 时序计算。
适用场景 适用于需要批量旁白配音、按节奏匹配背景音乐、添加转场与 UI 音效，并将音频时长同步到 Remotion 视频时序的项目。
限制与依赖 Edge TTS 需要出站互联网访问及 Python 包 edge-tts。Freesound 需要 API key（FREESOUND_API_KEY）。常见问题：TTS 超时多因文本过长，需拆分为更短片段（最长 200 字符）；缺少 durations 说明未运行时长提取；音质不佳可尝试不同 Edge voice ID；网络错误需检查网络并重试。音频时序规则：所有时长单位为毫秒；默认推荐 1.2x，时长反映实际播放长度；任何音频文件变更后必须重新提取；script.md 中每个 [VO_XXX] 都必须有 durations.json 条目；取整数，四舍五入到最近毫秒。