用途：把纯文本口播稿转成「配音音频 + 时间轴准确的 SRT 字幕」，作为视频制作链路的上游，产物 narration-full.mp3 与 narration.srt 可直接交给 producing-video 出片。仅在用户只有文本时使用；已有音频或字幕则跳过。
主要能力：默认走 ListenHub 原生 POST /v1/speech，把文稿切句成多段 scripts，返回 audioUrl 与 subtitlesUrl，字幕文字等于输入原文、无识别错；失败或拿不到 subtitlesUrl 时，若配置了 ASR key 自动降级到 OpenAI 兼容 /v1/audio/speech 加 Whisper 转写，可用 TTS_MODE=asr 强制。附带音色列表、多音字扫描、停顿标记、字幕文本级校正与提速等脚本。
使用方式：依赖 curl、python3，停顿与提速需 ffmpeg。环境变量 LISTENHUB_API_KEY 必须，GROQ_API_KEY 或 OPENAI_API_KEY 仅 fallback 需要。先运行 scripts/listenhub-speakers.sh zh 选 speakerId，再执行 scripts/listenhub-tts.sh <narration.txt> <out-dir> [speakerId] [ttsModel]。出音频前用 scripts/scan-heteronyms.sh 扫多音字，长稿可在文稿中用空行或 [停 X] 标停顿。字幕校正优先用 subtitle-correction 类技能，否则经用户确认后运行 python3 scripts/srt_helper.py correct。可选 1.1× 提速需同时缩放 SRT 时间戳。
适用场景：日更、科普、AI 解读等口播视频的旁白与字幕生成，适合自动化管道上游。
限制：校正只改文字、不动时间轴、编号与条数；发音无法从音频自动验证，多音字靠预防与审听；停顿仅在 speech 主路生效；不支持声音克隆与出片；本地 whisper 的 hyperframes transcribe -m large-v3 当前不可用。费用与具体价格资料未完整提供。