Rendering and Export zh CN - on22s/Side-Story GitHub Wiki

English · 简体中文 · 日本語

渲染、编辑与导出音频

使用 Editor（编辑器），将已审校文本和声音分配转换为音频。使用 **Result（结果）**下载完成的 MP3，或创建其他格式的导出文件。

如果尚未准备好书籍，请先阅读脚本与审校和声音。设置方面的问题请参阅安装和故障排查。

完整渲染前先试听

选择几行有代表性的内容：旁白、主要角色、长句、特殊人名，以及情绪强烈的台词。逐行点击 Gen（生成），再使用该行的音频播放器试听。

请将实际朗读结果与文本对照。留意遗漏、重复、发音、多余声音、节奏，以及说话人的声音是否符合预期。绿色的 **done（完成）**状态仅表示已有生成的音频结果，并不证明这些方面都合格。

如果某个声音整体都不合适，请在 **Voices（声音）**中修正其卡片。如果只有一句需要不同的演绎，请编辑该行。请记住，普通克隆声音响应演绎指示的方式，与 Custom 和 LoRA 声音不同。

编辑单个文本块

Editor 中的每一行都包含 Speaker（说话人）、Text（文本）、Delivery（演绎指示）、**Status（状态）**和 Audio / Actions（音频/操作）。

  • 从该行的列表中选择不同的 Speaker（说话人）。
  • 编辑 Text（文本），填写实际要说出的文字。除非有意修改，否则请保留原文。
  • 编辑 Delivery（演绎指示），填写表演要求。
  • 使用展开箭头显示 Pause after (ms)（之后停顿，毫秒）。留空会使用常规停顿规则；0 表示该块后不增加额外停顿。
  • 使用 **Insert line below（在下方插入行）**添加一行同说话人的空白行。生成前先填入文本。
  • 使用 **Delete line（删除行）**移除一行。最近一次删除会短暂提供 **Undo（撤销）**提示，但不要把它当作长期恢复手段。
  • 使用 **Gen（生成）**生成或重新生成该行。

字段变化时会保存修改；生成前也会先保存该行的当前字段。修改文本、说话人或演绎指示，会解除该行与旧音频的关联，并将状态恢复为 pending（待处理）。导出前请重新生成。只修改停顿时，会在拼接音频时应用，无需重新进行 TTS 演绎。

如果编辑后报告保存失败，请保留已输入的文本，并在渲染前解决问题。Editor 修改存放在当前活动的文本块状态中：Script 中的 **Save Current（保存当前脚本）**不会归档这些修改。加载另一本书前，请参阅更新与备份。

渲染其余各行

**Render Pending（渲染待处理项）**会处理状态不是 **done（完成）**的非空文本块，并根据 TTS 模式选择适当路径：

  • 本地 TTS 对受支持的声音使用本地批量生成。Custom、Clone 和 LoRA 支持本地批处理；Voice Design 和角色合声路径则按顺序渲染。
  • 外部 TTS 会向已配置的一台或多台服务器发送并行请求。

主界面只有一个 Render Pending 控件，无需在单独的“Standard”和“Batch (Fast)”之间选择。

**Regenerate All（全部重新生成）**会重新渲染所有非空行，包括已完成的行，并会在替换现有音频前询问确认。仅在确实想重新生成整段演绎时使用。

渲染期间，**Cancel（取消）**会请求停止。请等待任务完成取消，然后检查各行状态。已完成的块仍然可用，**Render Pending（渲染待处理项）**可以继续处理未完成的工作。不要因为浏览器丢失状态连接就启动另一次渲染；请先检查当前音频任务及刷新后的行状态。

批次停止后，请查看成功、失败、已取消和未完成的文本块数量。合并前应处理好每个需要的行。渲染会跳过空行，因此不要在脚本中意外留下空缺。

内存与批处理

在 **Setup（设置）**中，**Parallel Workers（并行工作数）**控制本地外层批大小或外部请求并发数。**Max Items/Batch（每批最大条目数）**可限制本地子批次大小；0 表示使用应用的估算值。**Auto-configure（自动配置）**会在 12–20 GB 显卡上将 Parallel Workers 设为 4（在 RX 9070 XT 上实测比 2 快约 23%，Whisper 召回率相同，并通过试听检查）。请从较保守的数值开始，出现内存或显存不足错误后再降低这些值。

如果 LLM 共用同一块 GPU，请为它预留空间。**Compile Codec（编译编解码器）**目前不起作用：固定版本的 TTS 库（qwen-tts 0.1.1）在编译代码之外解码，渲染速度不变。请保持关闭。**Batch Seed（批次随机种子）**适用于本地批量 Custom/Clone/LoRA 生成；它并不保证每一种声音路径或安装环境都能产生完全相同的输出。请在自己的硬件上实测，不要假定某个吞吐量。

检查整体演绎

文本完整性

打开 Text integrity（文本完整性），检查新增、遗漏和替换。此检查将已保存的 Editor 文本与可用原文进行比较，而不是与音频实际说出的内容比较。仅有已保存脚本的 JSON，可能无法提供比对所需的原始正文。

如果出现 Needs delivery review（需要检查演绎指示），请检查受影响的指示。适当时使用 Retry delivery only（仅重试演绎指示），然后重新生成已修改的行。详见脚本与审校。

声音漂移

**Check Voices（检查声音）**使用 SpeechBrain/ECAPA 说话人分析来标记可能的声音漂移。SpeechBrain 已包含在当前应用依赖中，应用优先使用自身环境。较旧或自定义安装可能需要兼容的解释器；已配置的 Voice Lab 解释器可作为后备。安装可选的原生 Voice Tools 并不是前提。如果应用报告 not measured（未测量），表示检查不可用，而不是检查通过或失败。详见故障排查。

克隆声音与其参考片段比较，LoRA 声音与适配器的参考样本比较。Custom、Voice Design 和角色合声使用该说话人最早完成的音频块作为比较参考。对于这些声音，低漂移结果表示与该生成块保持一致，而不是与预期声音的一份独立录音相符。

使用 **flagged only（仅显示已标记项）**聚焦于报告的行，试听后按需用 **Gen（生成）**重新生成。检查不会自动重新生成任何音频。没有参考比较结果的行和未被标记的行，也仍需要合理的试听检查。

播放与停顿

使用 Play Sequence（按顺序播放），依次试听各行已生成的音频。这有助于检查演绎效果和相邻台词，但不能证明所有行都有音频，也不能替代对合并结果的试听。

合并/导出会使用 Setup 中的 **Speaker Change Pause（切换说话人时的停顿）**和 Same Speaker Pause（同一说话人时的停顿），初始值分别为 500 ms 和 250 ms。某行设置的 **Pause after (ms)（之后停顿，毫秒）**会覆盖该处的过渡停顿。最后一行不会添加末尾过渡停顿。

合并 MP3

  1. 确认每个需要的行都具有可用音频和正确文本。
  2. 点击 Merge All（全部合并）。
  3. 阅读 Continue with this source text?（使用此原文继续？）。对话框会报告与原文匹配、存在词语差异，或无法进行原文比对。遇到意外差异时，请取消并修正；只有检查过差异后，才选择 Continue with text（使用此文本继续）。
  4. 应用会打开 Result（结果）。在 **Generation Logs（生成日志）**中等待合并结果。任务运行期间可使用 Cancel Merge（取消合并）。
  5. 播放最终结果，并使用 Download MP3（下载 MP3）。

原文确认与已检查的文本绑定。如果合并开始前，原文或 Editor 文本块发生变化，应用可能会拒绝继续，并要求你重新检查。

**重要：合并和导出可能生成不完整的结果。**缺失或损坏的音频块会被跳过，任务结果/日志会报告跳过的数量。出现可下载文件或“Done”指示，并不能证明包含了每一行。请在导出前检查完成情况，并调查任何跳过音频块的消息。

导出带章节的 M4B

合并后，在 Result 中展开 M4B Export Options（M4B 导出选项）：

  1. 按需填写 Title（标题）、Author（作者）、Narrator（朗读者）、**Year（年份）**和 Description（描述）。
  2. 可选择 Cover Image（封面图片），并等待上传结果。请使用你有权使用的封面。
  3. 保持 **Per-chunk chapters（每块一章）**关闭以自动分组章节，或将其打开，为每个已渲染的块添加导航标记。
  4. 可启用 Require ready（要求就绪），要求相关声音分配已标记为 Ready。
  5. 点击 **Export M4B（导出 M4B）**并等待完成。导出期间可使用 Cancel M4B（取消 M4B）。

M4B 包含 AAC 音频、元数据和章节标记。自动章节检测可识别 Chapter、Part、Prologue 和 Epilogue 等标题，以及一些结构性的旁白标题。未检测到标题时，会回退为每个文本块一章。请在播放器中检查章节结构，不要假定它与书籍目录完全一致。

Require ready 检查的是用户设置的声音就绪状态，不是音频完整性。请使用支持 AAC M4B 文件和内嵌章节标记的有声书播放器；不同播放器的行为可能不同。

导出独立章节文件

打开 Chapter-by-Chapter Export（逐章导出）：

  1. 选择 Format（格式）：MP3 或 WAV。
  2. 设置 Filename template（文件名模板）。可用字段为 {chapter_number}、{chapter_name}、{book_name}、{series_name} 和 {volume_number}。应用会添加扩展名。
  3. 选择 Number padding（编号补零位数），并填写模板中用到的书名、系列和卷号字段。
  4. 可在 **Chapters (optional)（章节，可选）**中输入章节选择，例如 1, 3, 5-7。留空表示所有章节。
  5. 按需设置 **Per-chunk（按块划分）**和 Require ready（要求就绪）。
  6. 仔细检查 Changed only（仅已变化项）。此项初始为启用状态，只导出其受跟踪音频文件或停顿设置自上次导出后有变化的章节。修改文本或演绎指示后，仍需先重新生成受影响的音频。它可以复用现有的、未变化的章节文件。如果希望重新写入每个所选章节，请关闭此项。
  7. 选择 Preview names（预览名称），检查将写入的文件名和文件数量，然后选择 Export chapters（导出章节）。
  8. 从结果列表中下载单个文件，或使用本区域的 Download all (zip)（全部下载，ZIP）。

章节导出采用与 M4B 相同的章节检测逻辑。启用 Changed only 时，预览显示零个文件，可能只是没有新内容需要写入。请检查已有下载列表；如果想重建完整的所选章节，请关闭 Changed only。

可以使用附近的控件保存、导出和导入文件名预设。它们存储在浏览器中，因此需要迁移到另一个浏览器或电脑时，请先导出。

导出到 Audacity

在 Result 中选择 Export to Audacity（导出到 Audacity）。下载的 ZIP 包含：

  • project.lof，用于一起导入各音轨
  • labels.txt，包含文本块标注
  • 每位说话人一条完整时长的 WAV 音轨，在该说话人未讲话的位置填充静音

解压文件包，然后在 Audacity 中打开 project.lof。通过 **File → Import → Labels（文件 → 导入 → 标签）**导入 labels.txt。请将所有解压文件放在一起，以便 LOF 找到音轨。同时播放这些已对齐的音轨，即可重建有声书时间线；但若导出时提示跳过音频，仍须考虑相应缺失。

下载并保留正确的文件

主 MP3 控件旁的 **Download All (zip)（全部下载，ZIP）**只会打包已经存在的主 MP3 和 M4B 文件。它不会生成缺失的 M4B，不包含 Audacity 文件包，也不会归档整个项目。章节区域有自己独立的 ZIP。

修改文本、声音或停顿后，请重新生成受影响的音频，并重建所需输出。之前可下载的导出文件可能仍然存在，即使新的导出已取消或失败也是如此。将文件视为最新结果之前，请检查最近一次任务的结果。

单行渲染音频位于 voicelines/ 下，采用稳定的文本块标识符和说话人名称命名，而非简单的时间线序号。请通过 Editor 或文本块元数据确认顺序。MP3 转换失败时，应用可能会保留 WAV。

加载另一个已保存脚本前，请先下载完成的导出结果。若要保留可继续编辑的渲染项目，请按照更新与备份操作。返回首页可查看其余指南。

来源

已对照发布的 main 提交 8c7a33cb310ab9264594a09ca27e48271585094f 核验：Editor 和 Result 控件、渲染与导出界面、导出与就绪检查路由、声音漂移参考、说话人分析环境，以及文本块编辑、停顿、章节检测和音频拼接。