使用 Video Agent Voice 做视频旁白时，如何处理语气、台词和时间轴
很多口播问题，不是声音不够自然，而是台词和画面没有时间关系。PromptHub 里的 Video Agent Voice，做法就是先把逐字稿切成能读、能停、能对上的段落，再去生成配音和字幕。
使用 Video Agent Voice 做视频旁白时，如何处理语气、台词和时间轴
PromptHub 里这条旁白线，关键是先按句切开
很多口播问题，不是声音不够自然，而是台词和画面没有时间关系。PromptHub 里的 Video Agent Voice，做法就是先把逐字稿切成能读、能停、能对上的段落，再去生成配音和字幕。
它会把 script.md 变成 audio/voiceover.mp3、audio/subtitles.srt，必要时还会输出 audio/voice-direction.md。
先决定怎么读，再生成声音
这个 Skill 的工作顺序很清楚：
- 提取纯文本，去掉标题、出处、场景提示和分隔线
- 如果有
storyboard.md，先生成情绪映射 - 再按情绪去控制语速、停顿和语气
- 最后生成语音、字幕和配音指导表
如果是自录音模式，指导表会直接告诉你每段怎么读；如果是 TTS 模式，它也能作为质检参考。
不同场景可以用不同引擎
中文正式发布通常优先 MiniMax Speech-02，草稿可以用 Edge-TTS，英文内容可以考虑 ElevenLabs，自录音则最自由。
这个选择不是花活，而是为了让声音成本、质量和语言适配更平衡。
一个具体示例
假设你在做课程广告旁白，开头是追问，中段是解释，结尾是召唤行动。
你可以把开头那句设成快一点、带追问感；把中间的解释句放正常语速；把结尾的 CTA 说得更稳一点，给观众一个明确停顿。这样声音和画面才是一套，而不是各自跑各自的。
它适合什么场景
它适合广告旁白、产品讲解、数字人、课程视频和短视频口播。
它不负责改稿，也不负责画面设计。脚本要回到 Writer，镜头要回到 Storyboarder。
使用边界与失败排查
如果配音读出了标题或出处，先检查纯文本提取。
如果语气太平，确认有没有情绪标注；没有的话，就补 storyboard 或手动写配音指导。
如果要正式上线，语言、发音、情绪、肖像和声音授权都要一起核对。
更多说明可以看 Video Agent Voice 的 PromptHub 页面 和 GitHub 原始 Skill 文件。
结论
Video Agent Voice 的价值，是把逐字稿变成可控的语音和字幕。
它适合把旁白正式接进视频制作流程。