小黄黄听力录音制作器
Introduction
# 小黄黄听力录音制作器 ## 这是什么 你把**听力材料**交进来,拿回一个可直接进考场的 **mp3 听力音频**——外加一份和音频逐句对得上的**录音稿 docx**。 和"每次复制一份脚本再手改 70 行 Python"的老做法不同,这一版是**配置驱动**的:你只填内容(哪几道题、听几遍、停顿几秒、正文是什么),时间线由引擎自己排。同一份 `spec.json` 同时喂给音频引擎和录音稿生成器,所以**稿子里写的停顿秒数,就是音频里真实的停顿秒数**,不会对不上。 三件事是**固定规范**,不需要每次重新问,也不建议改: | 角色 | 嗓音 | 说明 | |---|---|---| | 中文女声 | `zh-CN-XiaoxiaoNeural` 晓晓·温暖 | 开场公告、"请看第X题"、结束公告 | | 中文男声 | `zh-CN-YunyangNeural` 云阳·稳重 | 各大题指令、"听第X段对话"提示 | | 英文男声 | 英音 `en-GB-RyanNeural` / 美音 `en-US-GuyNeural` | 正文男声 | | 英文女声 | 英音 `en-GB-SoniaNeural` / 美音 `en-US-JennyNeural` | 正文女声 | | 中文语速 | `-15%` | 略慢,清晰 | | 英文语速 | `-20%` | 比原速从容,小学中高年级可听 | | "叮"提示音 | 合成钟声,峰值约 -6.8dB | 与语音持平,不淹没、不刺耳 | | 开头轻音乐 | 随包 20 秒活泼钢琴垫乐(C 大调 I–V–vi–IV,120 BPM,纯合成) | 给学生浏览题目;可换自备无版权音频 | | 成品 | 192kbps / 44100Hz / 立体声 mp3 | — | ## 工作流程 ### 步骤 0:把素材变成 `spec.json` 先判断你拿到的是什么: | 素材形态 | 判定 | 做法 | |---|---|---| | 已经是标准录音稿(有 `听 力 材 料`、`(女声)请看第X题`、`(叮)`、`No.X`) | 结构清楚 | 直接按段落拆成 sections | | 图片拍的听力原文 / 学生试卷 | 需 OCR | 用视觉工具逐张读出英文原文,注意区分说话人(M/W、A/B、人物名) | | `.doc` / `.docx` 听力原文或试卷 | 需提取文本 | `.doc`:`textutil -convert txt 文件.doc -output /tmp/m.txt`;`.docx`:`python-docx` 或 `textutil` | 提取后必须确认四件事:**几个大题、每题什么题型、听几遍、停顿几秒、对话是否分角色**。 然后**只问用户四个会变的字段**(用 `AskUserQuestion` 一次问完,不要自己瞎填):学年、学期、年级·试卷名(合并一题)、地区。 写完存成 `spec.json`,字段见下一节。 ### 步骤 1:先校验、再看编排(不出声,秒级) ```bash python3 scripts/build_listening.py spec.json --check # 只校验,报错会指出第几大题第几小题 python3 scripts/build_listening.py spec.json --plan # 打印编排预览:几遍、停顿、编号区间 ``` `--plan` 会打出类似这样的核对表,**出音频前务必看一眼**: ``` 第1题 听句子 5 小题 No.1-5 M→F 读 2 遍,遍间 2s;题间 5s 第2题 听对话 5 小题 No.6-10 分音色读 2 遍,遍间 8s;题间 5s ``` ### 步骤 2:合成音频 ```bash python3 scripts/build_listening.py spec.json --jobs 6 ``` - 默认成品落在 spec 同目录,文件名取 `audio.output`;用 `--base` 可指定工作目录。 - 语音**并行合成 + 按内容哈希缓存**:同一句话第二次出现直接复用,改一句重跑只补那一句,不是全量重来。约 138 片段的单元首次约 1–2 分钟。 - 输出 `DONE. segments=… duration=…` 即成功。 ### 步骤 3:导出录音稿 docx(建议每次都做) ```bash python3 scripts/spec_to_docx.py spec.json -o 五上U2_听力材料.docx ``` 排版:居中标题 → `听 力 材 料` → 开场白 →(插入20秒时长的轻音乐)→ 各大题 `(女声)请看第X题。`/`(男声)指令`/自动生成的停顿说明/`(叮)`/`No.X`/正文 → `(停顿6秒)` → 结束语。 停顿说明是**按你的参数自动写**的,不会写错,例如: - 两遍:`(男、女声各一遍,两遍之间停顿2秒,两题之间停顿5秒)` - 三遍:`(男、女声各一遍,男声读第三遍。每遍之间停顿8秒)` - 对话:`(每遍之间停顿8秒,两题之间停顿5秒)` ### 步骤 4:交付前抽查 1. 开头是女声晓晓公告 → 20 秒轻音乐(不是一上来就"叮")。 2. 叮声清楚但不炸耳。 3. 对话**必须分音色**——两个说话人不能同一个嗓子念完。 4. 英文比原速慢约两成,句子之间留得住气。 5. 题号 `No.1…No.N` 连续,不跳号、不重号。 用 `present_files` 交付 mp3 与 docx,并口头报时长、用了几号音乐、大题结构。 ## `spec.json` 字段手册 ### 顶层 | 字段 | 必填 | 说明 | |---|---|---| | `meta.grade` | ✅ | 年级,如 `五年级(上)` | | `meta.title` | ✅ | 试卷名,如 `单元作业(一)` | | `meta.region` `meta.academic_year` `meta.semester` | 建议 | 进开场白,如 `XX区` / `2026-2027` / `第一学期` | | `accent` | — | `uk` 英音(默认,配外研社)/ `us` 美音(配人教版·剑桥) | | `audio.output` | — | 成品文件名,默认 `听力录音.mp3` | | `audio.music` | — | 轻音乐路径,相对路径会依次找 spec 目录、工作目录、技能 assets;默认随包音乐 | | `audio.music_seconds` | — | 音乐时长,默认 20 | | `opening` / `ending` | — | 覆盖默认开场白 / 结束语(一般不用写,引擎按 meta 自动拼) | | `sections` | ✅ | 大题数组 | ### 每个 section | 字段 | 必填 | 默认 | 说明 | |---|---|---|---| | `type` | ✅ | — | `sentences` 听句子 / `questions` 听问句 / `dialogues` 听对话 / `passage` 听短文 / `song` 听歌谣 | | `ins` | ✅ | — | 男声大题指令,写完整,如 `第一题,听句子,选择符合内容情景的图片,听两遍。` | | `items` | ✅ | — | 句子/问句→字符串数组;对话→`[[["M","…"],["F","…"]], …]`;短文/歌谣→整段字符串(`\n` 换行分段) | | `look` | — | `请看第X题。` | 女声提示语,X 按大题序号自动填 | | `readings` | — | 2(短文/歌谣 3) | 这篇读几遍,1–4 | | `order` | — | 1遍`M`/2遍`MF`/3遍`MFM`/4遍`MFMF` | 每遍由谁读。`MF` = 第一遍男、第二遍女 | | `reading_gap` | — | 句子/问句 2,对话/短文 8 | 遍与遍之间静音秒数 | | `item_gap` | — | 句子/问句/对话 5,短文 0 | 小题与小题目之间静音秒数 | | `number` | — | 句子/问句/对话 `true` | 是否读 `No.X`;短文/歌谣默认不读 | | `prompts` | — | — | 与 `items` 等长的中文段间提示,如 `["听第1段对话,回答第21、22小题。"]`;写了就**替代** `No.X` 编号 | | `title` | — | — | 短文/歌谣标题,**印在录音稿上但不朗读**(如 `Healthy eating habits`) | | `note` | — | — | 追加到录音稿停顿说明末尾的备注,如 `A指女声,B指男声` | > `dialogues` 的每遍都按行内 `M`/`F` 分音色,`order` 对它不生效;行与行之间固定 0.4 秒。 ### 完整示例 见 `examples/example-grade5-unit1.json`(5 个大题 / 15 个编号小题,可直接 `--plan` 试跑)。 ```json { "meta": {"region": "XX区", "academic_year": "2026-2027", "semester": "第一学期", "grade": "五年级(上)", "title": "单元作业(一)"}, "accent": "uk", "audio": {"output": "听力录音.mp3", "music_seconds": 20}, "sections": [ {"type": "sentences", "ins": "第一题,听句子,选择符合内容情景的图片,听两遍。", "order": "MF", "reading_gap": 2, "item_gap": 5, "items": ["I have some bread and milk for breakfast."]}, {"type": "dialogues", "ins": "第二题,听简短对话,选择与对话内容相符的图片,听两遍。", "reading_gap": 8, "item_gap": 5, "items": [[["M", "What did you do last weekend?"], ["F", "I visited my grandparents."]]]}, {"type": "passage", "ins": "第三题,听短文,判断句子正(T)误(F),听三遍。", "readings": 3, "order": "MFM", "reading_gap": 8, "items": "I'm Lily. I have a happy family."} ] } ``` ## 时间线编排范式 引擎已内置,这里只是让你知道它按什么规则排,方便核对: 1. **开头**:女声公告(单遍)→ 20 秒轻音乐(首尾带淡入淡出,不留爆音)。 2. **每个大题**:女声"请看第X题"→ 0.5 秒 → 男声指令 → 1 秒 → 第一小题。 3. **每个小题**:`叮` → `No.X`(音色 = 第一遍正文的音色)→ 0.3 秒 → 正文各遍(遍间 `reading_gap`)→ 题间 `item_gap`(**只在小题之间**,最后一题后面不加)。 4. **结尾**:6 秒静音 → 女声"听力到此结束,请继续作答读写部分。" 常见题型怎么填: | 题型 | `order` | 遍间 | 题间 | 备注 | |---|---|---|---|---| | 听句子选图 | `MF` | 2 | 5 | 最常规 | | 听问句选答语 | `FM` | 2 | 5 | 材料若标"A 指女声、B 指男声",第一遍就得是女声 | | 听对话选图 | — | 8 | 5 | 必须分音色 | | 听短文判断 T/F | `MFM` | 8 | 0 | 三遍,第三遍回到男声 | | 听歌谣(三遍) | `FMF` 或 `MFM` | 8 | 0 | 按材料原话 | | 两段对话带小题 | — | 2 | 5 | 用 `prompts` 写"听第1段对话,回答第21、22小题。" | ## 常见坑(都踩过,照做即可) 1. **语速参数不能拆开写**:必须是 `--rate=-20%` 这种等号形式。中间留空格会被解析成两个参数,argparse 会报 `expected one argument`。代码里拼的是 `"--rate=" + rate`,别改成列表分开传。 2. **"叮"要显式补增益**:ffmpeg 内建正弦波发生器的输出振幅约为满量程的 1/8,直接混入会明显偏轻;且本机版本不认识 `amplitude=` 参数。实现里用 `volume` 增益补偿,把峰值压到 -6.8dB 左右,听感刚好与语音齐平。 3. **中文一律走在线语音引擎**:系统自带的 `say` 没有可用的中文男声,指定未知嗓音会静默回退成女声——整段男声指令会悄悄变成女声,且不报错,很难发现。 4. **Edge TTS 需要联网**;单句失败会自动重试 4 次,仍失败会报出是哪句台词。 5. **改内容后直接重跑**:`build/cache` 按"音色+语速+文本"哈希缓存,只补新增片段,不必手删。 6. **对话忘了标性别就会同一个人念完**——`items` 里每行都要写 `["M", …]` 或 `["F", …]`。 7. **`order` 长度必须等于 `readings`**,否则校验直接报错(这是最常见的配置错误)。 8. 文件名别带 `/`,`audio.output` 只写文件名。 9. **别把工作目录设在桌面/文稿等受管目录**:脚本会在工作目录下建 `build/` 放中间片段,某些受管控环境下「改名」类双路径操作会被拒(报 `Brokered two-path operation is not allowed by file policy`)。稳妥做法是 `--base /tmp/lh_build_xxx` 跑完,再把成品 mp3 拷到目标文件夹——单文件复制不受影响。 ## 目录结构 ``` xiaohuang-listening-audio/ ├── SKILL.md ├── LICENSE # 版权与授权条款(保留所有权利) ├── scripts/ │ ├── build_listening.py # 主引擎:spec.json → mp3 │ ├── spec_to_docx.py # spec.json → 标准录音稿 docx │ └── make_music.py # 重新生成垫乐(活泼钢琴 / 柔和和声,可改时长与速度) ├── assets/ │ ├── music20.mp3 # 默认垫乐:活泼钢琴,20.0s / 44.1kHz 立体声 │ └── music20_warm.mp3 # 备选:柔和和声垫(原风格),同样 20.0s ├── examples/ │ └── example-grade5-unit1.json # 可直接 --plan 试跑 └── templates/ └── listening-script-template.docx # 由示例 spec 生成的排版参照 ``` **关于垫乐**:`music20.mp3` 是「加法合成 + 指数衰减包络 + 轻混响」现场生成的钢琴感垫乐,**不采样任何现成录音**,因此无第三方权利,课堂与考试使用无版权顾虑。想更活泼就 `--bpm 132`,想更安静就 `--style warm`: ```bash python3 scripts/make_music.py --style bright --bpm 132 -d 20 # 覆盖默认垫乐 python3 scripts/make_music.py --style warm -o /tmp/soft.mp3 # 另存柔和版 ``` 若你手上有更满意的无版权曲目,直接把 20 秒音频(wav/mp3 都行)放进去,并在 spec 里写 `"audio": {"music": "我的音乐.mp3"}` 即可覆盖,无需改脚本。同一首曲子的 wav 与 mp3 会自动互为备选,换格式不会导致找不到文件。 依赖:`pip install edge-tts imageio-ffmpeg python-docx numpy`(ffmpeg 自动探测,系统 PATH 与内置包都支持,无需配路径;numpy 仅用于重新生成垫乐)。 ## 技术实现 本技能为配置驱动的独立实现,核心能力均由自带脚本完成: - **时间线编排**:`build_listening.py` 按题型自动展开为有序片段(语音 / 静音 / 提示音 / 垫乐), 遍数、遍间与题间停顿、分音色、连续编号全部由参数生成,不需要人工拼接。 - **并行合成与缓存**:`ThreadPoolExecutor` 并发调用语音引擎,片段以「音色 + 语速 + 文本」 的哈希值落盘复用,改一句只补那一句。 - **双口音**:英音与美音各一组男女声,切换只改一个字段。 - **录音稿同步**:`spec_to_docx.py` 读同一份配置生成 docx,排版参数与音频完全同源。 - **垫乐合成**:`make_music.py` 以加法合成生成钢琴感垫乐,不依赖任何外部音频素材。 使用的第三方组件(版权归各自权利人,按其条款使用): | 组件 | 用途 | 许可 | |---|---|---| | Microsoft Edge TTS | 在线语音合成 | 微软服务条款,**需联网** | | FFmpeg | 音频转码与拼接 | LGPL / GPL | | python-docx | 生成录音稿 docx | MIT | | NumPy | 垫乐数值合成 | BSD | ## 版权声明 > 本技能包的脚本、文档、图标与垫乐版权归**小黄黄**所有。购买或获得授权者可在自己的教学中使用本技能及其生成的音频与录音稿。 **你获得的授权** - 在自己的课堂教学、考试、教研中使用本技能; - 对你**自己生成**的音频与录音稿自由使用、剪辑、印发,无需另行授权(这些是你教学成果的一部分); - 在同一台设备上重装、备份本技能。 **你不可以** 1. 转售、出租、赠与或公开分享**本技能包本身**(含脚本与资源文件); 2. 上传至资源站、网盘公开链接、社群文件区等任何可被他人获取的位置; 3. 删除或篡改脚本、文档中的版权信息后分发; 4. 改名换皮后作为自己的产品发布,或以本技能为卖点提供代做服务。 **可追溯标记** 为便于识别来源,本技能在产物中植入了不影响使用的标记: | 位置 | 标记内容 | |---|---| | 生成的 mp3 | ID3 元数据写入 `title` / `artist` / `album` / `comment` / `copyright` | | 生成的 docx | 文档属性 `author` / `title` / `comments` | | 脚本源码 | 每个文件头部保留版权注释 | 这些标记不改变音频听感与文档正文;去掉它们需要专门修改代码,一旦出现去除标记的流通版本,即可认定为故意规避授权。 **发现盗用**:保留截图与链接,向发布平台投诉;确需追责的,依据《中华人民共和国著作权法》主张权利。 完整条款见随包 `LICENSE`。
Resource Information
License information is collected from official sources and may be outdated or missing. Refer to the LICENSE file in the original repository before commercial use.
Information boundary
Information on this page is collected from official documents for technical presentation only and does not imply our endorsement. Pricing, quotas and availability are subject to the latest official statements. We make no commitment regarding any action you take after leaving this site.
Similar skills
李白.Skill
Marked paid李白.Skill:润色专家 检测并消除中文文本中的AI生成痕迹,将生硬的机器输出转化为自然流畅的人类文笔。融合规则检测、分层改写(词汇→句式→内容→逻辑→语气)和六步质控流水线,确保最终文本通过人工审查。
文章去AI味工具
Not specified去除文本中的AI写作痕迹,让文字读起来更像人类写作。当用户要求'去AI味'、'降AI味'、'让回复更像人话'、'润色'、'改写得更自然'时使用。检测并修复:AI高频词汇、过度结构化、虚假客观性、机械化连接词、完美主义陷阱、公式化结尾、过度修饰、情感缺失等问题。
视频号爆款短视频拆解(付费版:全能)【零一数科·出品】
Marked paidAPI key required【零一数科·出品】视频号爆款短视频拆解(全能版)(付费版)。视频号爆款短视频拆解(付费版:全能)。一键拆解爆款,把一条视频号视频拆成结构分段、爆款归因、六维评分和可借鉴策略,照着学照着抄。支持视频号分享链接和本地视频,付费全能版远端分析,1–5 分钟出可视化 HTML 报告。
视频号挂车爆单短视频脚本生成【零一数科·出品】
Marked paidAPI key required【零一数科·出品】视频号挂车爆单短视频脚本生成(付费版)。一条链接二创脚本,丢进爆款视频号链接即以此骨架改写成你的挂车脚本,或按方向/目的/商品原创多条口播脚本(含分段表、口播全文、六维质检评分)。
Humanizer
FreemiumAPI key required消除AI写作痕迹,使文本更自然真实。基于维基百科"AI写作特征"指南,识别并修正夸张象征、宣传用语、肤浅-ing分析、模糊归因、破折号滥用、三项排比、AI词汇、负面平行结构及冗长连接词等模式。
罗斯蒙德演示材料结构化整理
Not specified【罗斯蒙德演示材料结构化整理】南京罗斯蒙德基于已交付项目沉淀的演示材料整理场景:把零散素材整理成结构清晰的对外演示材料大纲与页面要点。流程:零散素材 → 切片编号建素材库(S-x) → 按主线模板生成页面骨架(P-x) → 为每页推荐候选素材 → 填写页面要点(T-x,每条必须锚定原文片段) → 校验 → 渲染 Word 演示脚本(封面信息 + 大纲总览表 + 逐页要点/原文/讲稿备注 + 素材溯源表)。解决「人工梳理主线、组织页面耗时」:内置问题导向/方案导向/内部汇报三套主线预设,按受众与目标一键生成页面骨架;所有要点必须逐字引自素材原文,改写或杜撰即 ERROR 拦截;未被引用的素材会反向提示疑似遗漏内容;大纲存于 outline.json 中间层,可自由改顺序、增删页、搬要点并重新渲染。支持 Markdown/文本目录、粘贴长文本、Word、JSON 清单四种素材来源。触发词:演示材料整理、演示大纲、PPT 大纲、对外演示、推介材料、汇报材料、素材整理成演示、页面要点、演示脚本、宣讲材料、售前材料、发布会材料。
What is a Skill
A Skill is a packaged single capability, such as text recognition, document summarization, or keyword extraction. Developers wrap the calling logic and prompts into a plugin-like unit, so users can load it without understanding the underlying model. StackPilot indexes a large number of skills that can be tried instantly or assembled into a plan.