Voice Clone 是一个本地语音克隆技能，用于在指定的 MLX 运行时环境中，用已保存的克隆声音档案生成语音，并对生成结果进行完整性校验；也可以从用户授权的参考录音出发，制作可复用的 Qwen3-TTS 声音档案。
【运行环境】 该技能使用由 VOICE_CLONE_PROJECT 指定的本地 MLX 运行时，默认路径为 ~/dev/VoiceCloning。该目录应包含 Qwen3-TTS 1.7B Base 8-bit 模型、Python 3.11 环境、已保存的声音档案以及 clone_voice.py。源录音应视为不可变文件；只能使用用户提供或授权的声音，未经明确要求不得上传、发布或发送生成的语音。
【主要能力】
- 使用已有声音档案生成语音：生成脚本读取档案中的 reference.wav 与 reference.txt，调用本地 Base 模型生成带时间戳的 24 kHz 单声道 PCM WAV，默认输出到 $VOICE_CLONE_PROJECT/output/，也可通过 --output 指定位置。
- 分块处理多句旁白：脚本会将前置句子尽量按最多 220 字符分组，并始终单独生成最后一句；分块之间以 220 ms 静音连接，不对语音做淡入淡出，也不追加尾部静音。可通过 --max-chunk-characters、--between-chunks-ms、--chunks-dir 调整节奏或保留审计分块。
- 输出校验：verify_output.py 检查 24 kHz 单声道 PCM 格式，用本地缓存的 MLX Whisper Large v3 Turbo 模型重新转写，检查预期最后一句是否出现在结尾，并执行 RELEASE_CHECK（结尾 20 ms 峰值幅度不超过阈值，默认 0.02）与 TRAIL_CHECK（近静音尾部至少 100 ms，默认值）。RELEASE_CHECK 用于防止最后一个音素被截断；TRAIL_CHECK 用于防止语音结束后文件立即结束而听感上被切断。
- 内容校验与重试：若内容校验失败，可检查转写并最多重试一次；若失败仅限于数字写法、空格或近同音词，可能是 ASR 伪影，而转写结尾出现目标文本没有的词则需要重新生成。
- 句内边界处理：一个分块包含多句时，模型可能压缩句间停顿；可按目标文本统计 150 ms 以上且前 20 ms 低于 0.05 的静音，检查每个句边界是否有一处干净停顿。修复方式是将除最后一句外的句子用空行连接生成，最后一句单独生成并带尾部标点，再以约 100 ms 停顿拼接。仅在标点方法反复失败时，才使用受保护的句子恢复方法，并以版本化文件名保留记录。
- 视频时间线使用：以直接生成的 WAV 为准，除非明确要求，不添加淡入淡出或静音尾；应逐块检查而非只看场景最后一块，并从编码后的资产推导场景时长、考虑转场重叠、确保语音间隔至少 0.5 秒。批量处理应使用版本化文件名并保留源文本与分块映射清单。
- 准备新声音档案：用 ffprobe 与 silencedetect 检查源音频，用 mlx_whisper.cli（模型 mlx-community/whisper-large-v3-turbo、正确语言、JSON 输出、词级时间戳）转写，选取约 5–15 秒的干净完整语句，确认精确转写后运行 prepare_voice.py，生成 24 kHz 单声道裁剪、响度归一化的 reference.wav 与 reference.txt。该脚本拒绝覆盖已有档案。
- 交付：报告所选声音档案、生成文本、时长、格式与校验结果，并以绝对路径在响应中呈现音频。可复用档案保留在 $VOICE_CLONE_PROJECT/voices/<voice-id>/。
【使用方式】 列出声音档案：python3 <skill-directory>/scripts/generate_voice.py --list 生成语音：python3 <skill-directory>/scripts/generate_voice.py --voice jin --text "읽을 문장" 校验输出：python3 <skill-directory>/scripts/verify_output.py --audio "/absolute/path/to/output.wav" --expected-text "읽을 문장" --language ko 准备新档案：python3 <skill-directory>/scripts/prepare_voice.py --source "/absolute/path/to/reference.m4a" --voice new-voice-id --start 0.25 --end 7.25 --transcript "基准语音中实际说出的准确句子"
【适用场景与限制】 适用于本地化的语音克隆实验、旁白生成、视频时间线配音以及构建可复用声音档案。限制包括：依赖特定本地模型与环境；默认语言为韩语，除非文本或请求明确指示其他语言；仅可使用授权声音；不得用于欺骗、冒充或暗示背书；音频结尾完整性不能仅靠转写判断，需结合 RELEASE_CHECK、TRAIL_CHECK 与试听确认。