用途：为广告或视频生成 ElevenLabs 配音，附带时间戳数据、发音检查与表现力控制。默认使用 Eleven v3 加音频标签提示，仅在需要更低延迟或更高稳定性时改用其他模型。
主要能力：支持带时间戳的 TTS 调用、音频标签控制情绪与节奏、脚本自然度处理、输出音频与时间戳 JSON，并用 ffprobe 校验时长。默认模型为 eleven_v3，可回退到 eleven_multilingual_v2、turbo 或 flash。
使用方式：先确认输入与已批准音色列表（如 VOICES.md），再通过 HTTP 调用 /v1/text-to-speech/<VOICE_ID>/with-timestamps，传入音色 ID、模型与 voice_settings。示例命令保留原样：curl -sS -X POST "https://api.elevenlabs.io/v1/text-to-speech/$VOICE_ID/with-timestamps?output_format=mp3_44100_128" -H "xi-api-key: $ELEVENLABS_API_KEY" -H "Content-Type: application/json"。生成后解码 audio_base64 为 voiceover.mp3，保存 voiceover_timestamps.json 与 voiceover_script.txt，并写入 manifest.json。
适用场景：视频配音、广告配音、UGC 风格旁白等需要时间戳对齐与情绪表达的场合。
限制：eleven_v3 带音频标签时 character_start_times 不可靠，需改用 Whisper 获取逐词时间戳；渲染时长存在 5%–15% 波动，建议先定视频时长再用 atempo 调整配音。缺少凭据、音色未批准或输出不符合品牌约束时会失败。实现状态为从现有仓库技能提取，迁移后仍需标准冒烟与人工测试。