用途：为 HyperFrames 视频生成配音，并处理所有涉及配音的修订。核心思路是把旁白当作动画运行的时钟，而非垫在画面下的配乐。
主要能力：一次 TTS 调用生成整段连续旁白，避免逐场景拼接产生的接缝与节奏漂移；请求词级时间戳（ElevenLabs 的 /with-timestamps），输出 vo.wav（44.1k 单声道、已归一化）与 audio_meta.json（含每个词的起止时间）。动画提示按“上一个提示之后该词的下一次出现”链式解析，而非按第 n 次出现计数。
使用方式：运行 node ${CLAUDE_PLUGIN_ROOT}/scripts/tts.mjs script.json <projectDir>/assets/vo 生成配音。时长超限时按顺序处理：先用 python3 ${CLAUDE_PLUGIN_ROOT}/scripts/trim-vo.py <projectDir> 0.24 0.42 压缩句间停顿（约 0.18 秒以下会显得被截断），再收紧停顿与标题卡最短时长，最后才改写脚本重录。仅替换一行时用 python3 ${CLAUDE_PLUGIN_ROOT}/scripts/swap-line.py <projectDir> --find "<原句>" --replace "<新文本>" --dry-run，先试运行再正式执行；该脚本只生成新句、按样本精确拼接、与前后语音做电平匹配，并按实际插入长度重算后续所有词的时间。
适用场景：需要旁白与画面精确对齐的短视频；旁白文案或 CTA 在配音完成后发生变更；需要在不重录的情况下压缩时长。
限制与注意：视频时长上限 179 秒（2:59），超长会被降权，且不得用 atempo 加速音频或删减步骤来凑数。编辑音频后必须依据实际删除或插入的样本推导新时间，而非依据请求值。任何修订都应改生成器而非 index.html（它是编译产物）。替换行后需重新锚定提示、重做该段视觉、更新字幕并记录到 publish/sources.txt。修订后应审计相邻节拍，因为时间偏移会传播。资料未提供具体收费、平台支持范围与效果保证。