用途：把长音频（播客、访谈、演讲）切成逐场景 mp3，解决用原始时间戳剪切时切到词中间、丢失词尾的问题。做法是先用 Whisper 词级时间戳转写源音频，再把每个请求的剪切点吸附到最近的词边界。
主要能力：支持显式场景（JSON 文件或 --scene 参数，含 scene、caption、start、end）或自动按停顿切分（--auto-split，可选 --min-pause-duration，默认 0.6 秒，用 ffmpeg silencedetect 加 Whisper 词时序识别句末停顿，每句一个切分）。snap_mode 可选 nearest（默认）、before、after，控制吸附到哪个词边界。padding 默认 0.20 秒，用 afade=t=out 让切尾平滑淡出。provider 可选 groq（默认，最便宜最快）、fal、openai；fal 路径组合 atoms/source/transcribe-audio-fal。输出目录默认 <audio_parent>/voiceovers/，文件名为 scene-NN-<speaker?>.mp3。
使用方式：运行 scripts/split.py，传入 --audio、--scenes-json、--output-dir、--provider、--padding 等参数。流程为：词级转写（结果缓存为 words.json，重跑不重复转写）、吸附切点并写入 manifest 的 snapped_from 字段、用 ffmpeg 提取逐场景 mp3、写 manifest.json、对每个场景做词级转写校验（首词在 200ms 内开始、末词在文件结束前至少 200ms 结束、文本与 manifest 的 text 字段 Levenshtein 0.9 匹配），失败输出到 stderr。输出包括逐场景 mp3、manifest.json、words.json、verification.md。
适用场景：为口型同步（klarify 流程）切分播客逐场景配音文件；把已有母带重切成场景对齐片段做 B-roll 实验；用于 molecules/podcast-clip-animated-ad 第 2 步。
限制：不适用于不需要词边界精度的普通音频编辑（直接用 ffmpeg -ss/-to），也不适用于切分音乐（本工具面向语音）。失败模式：Whisper 漏词可能导致时间戳偏移一个词，校验步骤可发现，可用显式时间戳覆盖；多说话人长音频的词流会混合，--speaker-diarization 目前不支持，标记为未来工作；自动切分检测到过多微停顿时可把 --min-pause-duration 从 0.6 秒调大到 1.0 或 1.5 秒。质量检查包括场景时长与 clip_end-clip_start 误差在 ±20ms 内、场景时间戳不重叠、afade 尾部存在、校验文本与 manifest 一致。