用途：读取带时间戳的旁白稿（默认 work_dir/narration.json，每段含 start、end、narration，可选 pause_after_ms、overlaps_speech），逐段合成中文解说音频，适配到对应时间窗，并记录下游合成所需的放置元数据。
主要能力：默认引擎 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；支持声音克隆（--voice-ref，切换 mimo-v2.5-tts-voiceclone）；按内容缓存分段音频，段位变化时只重生成必要段；检测 TTS 幻读并按失败重试；--allow-partial-tts 可跳过失败段并记录 failures；--preserve-approved-text 为批准稿保护策略，超窗即失败。
使用方式： 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] 需配置 MIMO_API_KEY（或 MIMO_TTS_API_KEY）；Fish Audio 需 FISH_API_KEY 与可选 FISH_TTS_REFERENCE_ID；IndexTTS 需 INDEX_TTS_ENDPOINT 且只能显式选择。输出 tts_segments/*.wav 与 tts_meta.json（含 segments、engine、voice、narration）。
适用场景：为已剪定的视频旁白稿配音，时间线即输出时间线。
限制：不混流、不压低原声、不渲染字幕；不分析视频也不选择时间点；Fish Audio 与 IndexTTS 不接受本地 --voice-ref；克隆与实验性 dub 会把音频外发，须确保有权使用且声音主人同意；dub 为实验功能，需 --edit-mode dub --confirm-voice-rights。具体收费与平台信息暂未提供。