用途：把带时间戳的旁白稿合成为分段中文解说音频，并生成下游合成所需的放置元数据。默认输入 work_dir/narration.json，每段需含 start、end、narration，可选 pause_after_ms 与 overlaps_speech；时间为输出时间线秒数。
主要能力：默认使用 MiMo TTS（mimo-v2.5-tts），可选 Fish Audio（默认模型 s2.1-pro-free）或显式配置的自托管 IndexTTS HTTP 服务；支持 --voice-ref 声音克隆（转 mimo-v2.5-tts-voiceclone）与实验性 dub 英译中配音。按时间窗计算自然语言语气/语速指令，处理响度，并有按内容缓存的复用机制。
用法：设置 MIMO_API_KEY（或 MIMO_TTS_API_KEY），或用 TTS_PROVIDER=fish-audio + FISH_API_KEY + FISH_TTS_REFERENCE_ID，或用 TTS_PROVIDER=index-tts。运行：python3 scripts/voiceover.py --work-dir <work_dir> --narration <narration.json> [--tts-provider auto|mimo-tts|fish-audio|index-tts] [--mimo-voice 冰糖 | --voice-ref <reference-audio>] [--preserve-approved-text] [--allow-partial-tts]。输出 tts_segments/*.wav 与 tts_meta.json；干净运行写 partial: false 与 failures: []。
dub 为实验功能，由编排入口以 --edit-mode dub --confirm-voice-rights 触发，两阶段均需该确认；未获授权不得运行。
限制：不混流、不压低原声、不渲染字幕，不分析视频也不选时间点。超窗保留原稿并记录；批准稿保护下超窗即 TTS 阶段失败。Fish Audio 免费模型无 SLA，受 Fair Use 与官方免费期限约束。IndexTTS 路径不接受本地 --voice-ref。克隆音频会发送到 MiMo，仅在有权使用且声音主人同意时使用。详细协议见 references/index-tts.md。