文案与参考声音 → 配音与时间轴

交付 voiceover.wav、voiceover.mp3、voiceover.srt、voiceover.json。WAV 是计时主文件，SRT 是原稿短段对应的采样帧时间；这不是字级强制对齐，也不能证明模型读音完全正确。

选择后端

默认 MiniMax speech-2.8-hd，使用用户自己的服务账号和已登记音色，可能消耗在线额度。优先完成一个代表性短段，经用户听审后扩展全文。用户明确选择的后端优先于默认值。

• auto 读取个人偏好；没有配置时选择 minimax。setup 与 run 使用同一逻辑。用 configure.py 保存偏好到技能目录外，升级不会覆盖个人音色。
• 免费本地路线显式用 --provider local：Apple Silicon 选择 mlx（Qwen3-TTS 0.6B Base 4bit），其他平台选择 qwen（官方 PyTorch，自动使用可用 CUDA，否则 CPU）。本地推理不需要 API key，首次需要下载模型并占用计算资源。
• nano 仅供用户显式选择较轻的 CPU 路线，不因 Qwen 缺依赖或运行失败自动降级。优先保证声音质量，不能把小模型的成功运行当作默认选择依据。
• MiniMax 缺账号或音色时给出配置入口；不自动使用共享音色。首次上传克隆录音需要处于用户授权的在线克隆任务中；已有授权直接执行，不反复确认。不因本地失败自动切换云服务。

各后端使用独立环境；首次运行读 SETUP.md。音色来源是用户提供的本人/已获授权录音，没有共享的默认私人音色。

执行

先原样保存用户文案为 script.md；不擅自改写读法、数字或术语。只有明确的 Markdown 标题不朗读，编号列表保留。产物默认放当前项目的 voiceover-<主题>/，先说明位置。