video-agent-voice — independently scanned and version-tracked by SaferSkills.
SaferSkills independently audited video-agent-voice (Agent Skill) and scored it 100/100 (green). The audit ran 55 deterministic rules across Security, Supply Chain, Maintenance, Transparency, and Community; it found 0 high-severity and 0 lower-severity findings. The full rule-by-rule trace and per-finding evidence are below. Free, methodology-open.
Findings & checks · 0 flagged
Every scanned point with the score it earned and what moved between them.
First recorded scan — no prior version to compare against.
The primary manifest — the file an agent reads to learn what this artifact does.
script.md + storyboard.md（可选，用于情绪标注）audio/voiceover.mp3audio/subtitles.srtaudio/voice-direction.md（配音指导表）| 引擎 | 成本 | 中文质量 | 情绪控制 | 适用场景 |
|---|---|---|---|---|
| MiniMax Speech-02 | 低 | 最高（全球#1） | emotion 参数 + 停顿标记 | 正式发布（中文首选） |
| Edge-TTS | 免费 | 中等 | SSML 语速/音调 | 快速测试、草稿 |
| ElevenLabs | 高 | 差（WER 16%） | Prompt 情感描述 | 英文视频 |
| 自录音 | 免费 | 最高 | 完全自控 | 追求最佳效果 |
tts_engine: edge，使用 Edge-TTS（免费草稿）tts_engine: elevenlabs，使用 ElevenLabs API（仅适合英文）tts_engine: manual，跳过语音生成，仅生成字幕模板和配音指导表支持用 10 秒录音克隆自己的声音，克隆后可反复使用：
python scripts/minimax_tts.py clone <你的录音.mp3> --voice-id myvoice001克隆语音 7 天不使用会被自动删除，需重新克隆。克隆价格：9.9 元/次。
python scripts/extract_plain_text.py <project>/script.md <project>/script-plain.txt过滤规则（从 script.md 中去除非朗读内容）：
> 场景提示：... 行【出处：...】 行## 案例一：...）> 逐字稿 | 目标时长：...）---）如果存在 storyboard.md，读取每个镜头的情绪/节奏标注，生成情绪映射：
python scripts/build_emotion_map.py <project>/storyboard.md <project>/script-plain.txt <project>/audio/emotion-map.json输出 emotion-map.json：
[
{
"segment": 1,
"text": "你有没有想过一个问题：为什么你学了那么多时间管理方法...",
"mood": "焦虑、快切",
"pace": "fast",
"ssml_rate": "+15%",
"ssml_pitch": "+5%",
"elevenlabs_style": "urgent, slightly anxious",
"direction_note": "语速偏快，带一点焦虑感，像在追问观众"
},
{
"segment": 5,
"text": "Cal Newport 在《Deep Work》这本书里提出了一个概念...",
"mood": "权威、可信",
"pace": "normal",
"ssml_rate": "+0%",
"ssml_pitch": "-3%",
"elevenlabs_style": "calm, authoritative",
"direction_note": "语速正常，声音沉稳，引用专家时要有权威感"
},
{
"segment": 12,
"text": "一天 8 小时，真正能用来做深度工作的时间，可能连 2 小时都不到",
"mood": "震惊、冲击",
"pace": "slow_then_pause",
"ssml_rate": "-10%",
"ssml_pitch": "+0%",
"elevenlabs_style": "dramatic pause, emphasis on the number",
"direction_note": "说到'2 小时'之前稍微停顿，然后重音落在这个数字上，让观众感受冲击"
}
]情绪到语速的映射规则：
| 情绪关键词 | 语速 | SSML rate | 说明 |
|---|---|---|---|
| 焦虑、压迫、快切 | fast | +15% ~ +20% | 制造紧迫感 |
| 冲击、震惊、醒悟 | slow_then_pause | -10% ~ -15% | 关键信息前放慢，制造冲击 |
| 权威、可信、平稳 | normal | +0% | 沉稳叙述 |
| 共鸣、温暖、日常 | slightly_slow | -5% | 贴近观众，像聊天 |
| 希望、力量、行动 | slightly_fast | +5% ~ +10% | 带动情绪，收束有力 |
| 讽刺、荒诞、反差 | normal | +0% | 语气平淡反而更讽刺 |
| 悬念、期待 | slow | -10% | 吊胃口 |
如果没有 storyboard.md，则跳过此步骤，所有段落使用默认语速。
无论使用哪种引擎模式，都生成 audio/voice-direction.md：
# 配音指导表 — 视频标题
> 总时长目标：约 8 分钟 | 总字数：约 1800 字
## 开头（0:00-0:30）
**语速：快** | **情绪：焦虑、追问**
> 你有没有想过一个问题：为什么你学了那么多时间管理方法，下载了那么多效率工具，看了那么多生产力视频，你还是觉得时间不够用？
🎯 配音要点：像在追问观众，语速偏快，带一点焦虑感
---
**语速：慢，停顿** | **情绪：悬念、权威**
> 今天我想告诉你一个反直觉的事实——生产力的公式里，其实只有一个变量。
🎯 配音要点："反直觉"之前微微停顿，"只有一个变量"放慢、加重
---
## 案例一：忙碌不等于生产力（0:30-2:30）
**语速：正常** | **情绪：权威、沉稳**
> Cal Newport 在《Deep Work》这本书里提出了一个概念，叫做"忙碌即生产力"谬误。
🎯 配音要点：引用专家时声音沉稳，语速正常，体现可信度
...这份指导表有三个用途：
#### 模式 A：自录音（manual）
script-plain.txt + voice-direction.mdaudio/voiceover.mp3subtitles.srt#### 模式 B1：Edge-TTS（免费）
python scripts/edge_tts_generate.py \
<project>/script-plain.txt \
<project>/audio \
--voice zh-CN-YunxiNeural \
--emotion-map <project>/audio/emotion-map.jsonEdge-TTS 情绪控制方式：
<prosody rate="..." pitch="..."> 标签SSML 示例：
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="zh-CN">
<voice name="zh-CN-YunxiNeural">
<prosody rate="+15%" pitch="+5%">
你有没有想过一个问题：为什么你学了那么多时间管理方法，
下载了那么多效率工具，看了那么多生产力视频，
你还是觉得时间不够用？
</prosody>
<break time="500ms"/>
<prosody rate="-10%" pitch="-3%">
今天我想告诉你一个反直觉的事实。
</prosody>
<break time="300ms"/>
<prosody rate="-10%" pitch="-3%">
生产力的公式里，其实只有一个变量。
</prosody>
</voice>
</speak>默认语音选项：
zh-CN-YunxiNeuralzh-CN-XiaoxiaoNeural#### 模式 B2：MiniMax Speech-02（高质量，中文首选）
python scripts/minimax_tts.py \
<project>/script-plain.txt \
<project>/audio \
--voice <voice_id> \
--emotion autoMiniMax 情绪控制方式：
speech-02-hd（最高质量）或 speech-02-turbo（更快）auto（自动）/ happy / sad / calm<#0.5#> 表示停顿 0.5 秒clone 命令克隆，再用克隆的 voice_id 生成#### 模式 B3：ElevenLabs（仅英文视频）
python scripts/elevenlabs_tts.py \
<project>/script-plain.txt \
<project>/audio \
--voice-id [voice_id] \
--emotion-map <project>/audio/emotion-map.jsonElevenLabs 情绪控制方式：
eleven_multilingual_v2elevenlabs_style 作为 style prompt 传入audio/voiceover.mp3 存在且可播放audio/subtitles.srt 存在且格式正确audio/voice-direction.md 已生成| 环境变量 | 用途 |
|---|---|
| MINIMAX_API_KEY | MiniMax 语音生成（模式 B2，推荐） |
| MINIMAX_GROUP_ID | MiniMax 声音克隆（仅克隆时需要） |
| ELEVENLABS_API_KEY | ElevenLabs 语音生成（模式 B3，仅英文） |
| 依赖 | 用途 | 必需 |
|---|---|---|
| edge-tts | Edge-TTS 语音生成 | 模式 B1 |
| whisper | 语音转字幕 | 模式 A / B2 |
| ffmpeg / ffprobe | 音频合并与时长检测 | 是 |
scripts/extract_plain_text.py — 从 script.md 提取纯文本（更新过滤规则）scripts/build_emotion_map.py — 从分镜表生成情绪节奏映射scripts/minimax_tts.py — MiniMax Speech-02 语音生成 + 声音克隆（中文首选）scripts/edge_tts_generate.py — Edge-TTS 语音+字幕生成（支持 SSML 情绪控制）scripts/elevenlabs_tts.py — ElevenLabs 语音生成（仅英文，支持 style prompt）scripts/generate_subtitles.py — Whisper 字幕生成~30 seconds. Free. No account. Every finding cites a rule and a line of evidence.