1. 定位

本技能读取带时间戳的旁白稿，为每一段生成独立音频，并把语音适配到对应时间窗，随后记录下游合成所需的放置元数据。默认引擎是 MiMo TTS（mimo-v2.5-tts）；也可显式选择 Fish Audio（默认模型 s2.1-pro-free）。

2. 远程服务与数据外发

本技能只在下表中被选中的路径上联网，每条路径发出的内容如下。实读文本指 narration.json 段落去掉格式与舞台提示后的文字。

路径	服务与凭据	发送内容
默认解说 TTS（`--tts-provider auto\|mimo-tts`）	MiMo chat 接口 `<MIMO_TTS_API_URL 或 MIMO_API_URL>/chat/completions`，`MIMO_TTS_API_KEY` 或 `MIMO_API_KEY`，模型 `mimo-v2.5-tts`	每段实读文本、一句自然语言语气/语速指令（由段的 `emotion` 与时间窗算出）、内置音色名（默认 `冰糖`）；`auto` 下 MiMo key 缺失且设置了 `FISH_API_KEY` 时改走 Fish Audio 行
解说声音克隆（`--voice-ref <audio>` / `VOICE_REF`）	同上，模型 `mimo-v2.5-tts-voiceclone`	上述内容，外加参考音频（转成 24 kHz 单声道 WAV，最长 30 秒）的 base64，每段请求都带
Fish Audio（`--tts-provider fish-audio`）	`FISH_TTS_API_URL`（默认 `https://api.fish.audio/v1/tts`），`FISH_API_KEY`	每段实读文本、数值语速、音色 ID `FISH_TTS_REFERENCE_ID`；不发送本地音频
自托管 IndexTTS（`--tts-provider index-tts`）	用户自己部署、由 `INDEX_TTS_ENDPOINT` 指定的 HTTP(S) 服务	`{"voice": INDEX_TTS_VOICE, "text": 实读文本}`；不发送本地音频
实验性 dub（见 §8）	MiMo ASR（`MIMO_API_URL`，`MIMO_API_KEY`，`mimo-v2.5-asr`）与 MiMo voiceclone（TTS 接口与凭据，`mimo-v2.5-tts-voiceclone`）	源视频整条音轨按 6 秒分窗送 ASR；每句中文译文连同从源音频截取的约 10 秒原说话人声音（克隆参考）送 voiceclone

--voice-ref 与 dub 都会把一个真实人物的声音发给 MiMo 用于克隆：只在用户有权使用该音频、且声音主人同意被克隆时使用。