全能音声工作台 · 补丁 v0.33

从一份台本，到一部可以直接交付的音声作品。

这一版补的不是新花样，而是整条流水线最容易翻车的两段：配音改完之后编排还在不在，
以及一次处理几百上千条时会不会悄悄出错。

---

一、换了音色，音效还站在原来那句旁边

最真实的场景不是「从零做一条音声」，而是原片已经剪好、音效也对好了位置，现在只想换个人声重录。
难点在于换音色必然改变时长 —— 我们拿一条 71 秒的片段实测：重录后变成 81 秒，
单句最长变成 2.94 倍、最短只剩 0.45 倍。音效如果按秒数硬搬，第 44 秒的关门声就会跑到别的句子上。

现在的做法是按字幕序号对位，不按秒数：

1. 先判断这个音效落在第几条字幕（用你载入的那份 srt 判）；
2. 再找工程里同一条字幕对应的那句；
3. 按句内相对位置放回去（句内 70% 的位置，放回去还是 70%）。

参照物是「哪一句」而不是「第几秒」，所以句子长了短了都不影响。

实测：上面那条片段，每句在 30% 和 70% 各切一个测试音效，共 26 段 ——
26/26 全部落在对应句内，句内相对位置一分不差。

顺带修掉一条写反的规则：字幕要跟「素材」同源，不是跟「工程」同源。
素材是原片就载原片 srt，素材是重录后的混音才载工程字幕。混了会整段错（实测 13 句错 10 句）。

二、批量操作不能靠运气

• 编号不再错位：一次存/导上百个音频，自动编号改成按这一批总数补位
  （120 段 → 原音_001…_120）。原来固定两位，第 100 个叫 _100，按名字排序反而插到 _10 后面 ——
  剪映 / PR 按文件名合并素材就在这里断序。
• 入库不再越存越慢：索引整批只读写一次，120 段 1.9 秒、1005 段 4.9 秒（原来 100 段要 2 分钟）。
• 素材库支持多选：勾选框 / Ctrl 点选 / Shift 连选 + 批量移动 / 加标签 / 置顶 / 删除，
  右键已选条目菜单顶部直接是批量动作。

三、出错要能当场看见

对位最怕的不是报错，而是「看起来成功了，其实整体偏了两句」。所以现在会：

• 自己判断素材是哪一版（原片还是重录后的），判定结果写在预览顶部，不用你选；
• 字幕和素材不是同一版时直接提示（「这份字幕到 1:19，当前素材 1:12，两者不是同一版」）；
• 预览与写入走同一段后端代码，写出来和看到的一致。

四、人声分离：不是一个 BS 模型，而是一套可插拔的后端

接的是 pymss 推理后端 +
一个模型目录 vendor2/roformer/，放进什么模型就跑什么，代码不绑定某个权重：

可跑架构	说明
BS-Roformer（bs_roformer）	主力，Band-Split + RoPE 注意力，人声分离第一梯队
Mel-Band Roformer	梅尔刻度分带，更细更慢
BS-PolarFormer / BS-Conformer	同家族变体，权重出了就能用
MDX23C / SCNet / HTDemucs / VR	老模型也能挂进来对照

随包只带 Demucs（80MB，开箱可用）；BS 系权重自备（275MB 起），放进目录后
在导入台「BS-Roformer 模型」点一下重新检测即可。处理链 BS-Roformer → Demucs → 中置提取，
选的那个挂了自动往下退。

相关链接

• 论文：Music Source Separation with Band-Split RoPE Transformer（ByteDance, 2023）
• 架构实现：lucidrains/BS-RoFormer（MIT，只有网络定义，不含权重）
• 训练框架 + 权重发布：ZFTurbo/Music-Source-Separation-Training
• 权重清单：docs/pretrained_models.md
• 国内镜像：ModelScope · baicai1145/pymss · HuggingFace · baicai1145/pymss
• 社区权重合集（safetensors，用前需转 ckpt）：AEmotionStudio/roformer-models

---

安装

这是扩展补丁，不是独立软件，需要先装 IndexTTS2.0 超级优化整合包 V3。

1. 下载下面的 indextts2-longform-workbench-patch-v0.33.zip（约 121MB）；
2. 解压到整合包根目录，会多出一个同名文件夹；
3. 进入该文件夹，双击 安装.bat。

补丁包含内置 ffmpeg、Demucs 与 htdemucs 权重（离线可用）、HRIR 数据、教程配图；
不含 BS-Roformer 权重（自备，见上）。

其它改动

智能导入的剧本 / SRT 判定、原文本预览不再重复、「导入原稿」下载真原文、
「识别说话人 · 分组 · 分音色」一键按钮、人物/音效标签库、设置分区折叠、
高级音频处理台（/sfxbench）与整页夜间模式等，详见
CHANGELOG.md。

v0.23 ～ v0.32 为开发期编号，内容全部合并进本版。

全能音声工作台 · 补丁 v0.22

这一版的主要提升：「智能导入」优化升级。

导入是整条链路的第一步，它认错一句，后面生成、剪辑、导出全跟着错。所以 0.22 没有铺新功能，
而是围绕「认得准 / 看得清 / 改得动 / 追得回」四件事重做了这一段。

认得准：谁说的话，终于能认出来

• 🧠 高级识别（可选开关）：稿子里没有「名字：」前缀、但名字写在旁白里
  （「你怎么才来？」李四说。、李四冷笑：「堵车？」）时，按
  前文点名 > 后置旁白 > 上文继承 的优先级判断每句归属，认不出才退回 角色A / 角色B。
  小说、剧本、纯文本三类都能用；剧本本身已有角色前缀时自动跳过；时间轴 / 指令类不提供（用不上）。
• 不再是「猜人名」而是「排队判断」：加了负向预查（对/向/冲着…、没有/不/未、传来/听到）
  和幽灵角色三道闸 —— 参考实现会把「小翠在旁边小声说」切成角色「边小声」（边是姓氏），
  28,800 字里 600 段全归这个不存在的人；这一版挡掉了。
• 对白符号做成一张表并可自定义：[] 【】 《》 {} 〔〕 〈〉 「」 『』 “” ﹁﹂ ｢｣ …
  方括号写对白的稿子不再被当成「括号备注」全扔进旁白（[00:12]、[镜头 3]、[叹气]、《红楼梦》
  仍然不算台词）。不常见的符号可以在第 2 步「对白符号」里自己写。

看得清：把导入后的样子铺开给你看

• 正文预览：按正式导入后的顺序连排成一份上了色的正文（不是一张张卡片），
  同色 = 同一组 = 同一音色；动作 / 镜头 / 时间码这类不朗读的内容是灰色小字、不上色。
• 一句一个色块、对话自然换行，读起来就是「念出来会是什么样」。

改得动：半句也能单独处理

• 拖选半句就只动那几个字（下划线标出，前后文不受影响）；跨句拖选按整句；Ctrl 加选、Shift 连选。
• 撤销 / 恢复（Ctrl+Z / Ctrl+Shift+Z），只作用于预览里的草稿。
• 草稿模式：右下角「保存并按预览分组」点下去才生效；直接关掉（或 Esc）= 丢弃，会先问你一次。
• 第 3 步的分组卡片同步标出「🚫 不配音（不进台本）」，组数和按钮计数只算真的会建出来的组。

追得回：导入时的原文，能核对也能重来

• ⤓ 导入原稿 下载的是纯原文（一段一行、不带任何前缀或注释），
  用来核对「导入时有没有漏句、有没有被误设成不配音」；
  想重来一遍就选「纯文本 + 分段方式：一行一段（不切也不合）」，分段与当初完全一致。
• 台本页新增 📄 原文本预览 / 📝 当前文本预览：一句一行带行号，切换停在同一句；
  原文本里对不上台本的那几段标灰（= 当时被去掉配音或删掉的）。

顺带修掉

• 批量分行会吃掉句中标签（scope=all 时全丢），行级音效被复制成多份；
• 时间轴拆分素材片段会把淡入淡出一起复制，切开处「先淡出再淡入」。

安装

1. 下载 indextts2-longform-workbench-patch-v0.22.zip（约 120 MB）；
2. 解压到 IndexTTS2 v3 整合包根目录（会多出 IndexTTS2_全能音声工作台补丁_v0.22 文件夹）；
3. 双击其中的 安装.bat，重启服务；卸载用 卸载.bat（不动你的模型和台本）。

这是扩展补丁，不是独立软件 —— 需要先有 IndexTTS2.0 超级优化整合包 V3。

教程与细节见包内 docs/使用说明.txt（配图 12 → 25 张）与 docs/技术路线_长篇台本与时间轴.md §5.59–5.60。

全能音声工作台 · 补丁 v0.20

全能音声工作台 · 补丁 v0.20

装法：把 zip 解压到整合包根目录（和 server.py、runtime\ 同级）→ 进多出来的 IndexTTS2_全能音声工作台补丁_v0.20 文件夹 → 双击 安装.bat → 看到「完成」后关窗，重新双击包根的 start_server.bat。

装好后：/longform 台本工作台 · /timeline 时间轴 · /guide 内置教程。

这一版一共改了多少

项	数量
修补轮次	6 轮（第 9 ~ 14 轮，从「多选手感」到「导出啪声」）
修掉的缺陷	22 处，其中 5 处会造成实际损失
新增 / 重做功能	16 项
改动规模	17 个文件 / +1468 −125 行（代码 9 个文件 +974 −116，其余为文档与版本号）
测试	新增 4 套 / 89 项断言，53 套回归 FAIL = 0

五处会直接造成损失的

1. 「只生成选中行」= 跑整篇 —— 前后端对渲染范围的枚举没对齐，选 2 句跑 5 句，白烧显卡和时间。
   现在「选中行」按 uid 精确下发，缺参数或未知范围一律 400 拒绝，不再「猜成全篇」；
2. 渲染线程 [WinError 5] 拒绝访问 script.json.tmp —— 保存与读取撞车，整次生成中止。
   改成唯一临时名 + 全局写锁 + 退避重试，读也重试；
3. 变速片段导出丢句 / 音调升高 / 边界「啪」 —— 预渲染缓存把 22050 的样本标成 44100，
   后半段还是补零。现在按源采样率取长度、写文件，缓存加版本号自动作废旧数据；
4. ASMR / 低语近场破音、像劣质麦克风 —— HRTF 数据集没做响度标定 + 近场双重增益，直接顶进软限幅。
   现在所有数据集按 1 kHz 灵敏度统一标定、近场增益封顶 +1.9dB、低频补偿 6→3dB，
   试听端与导出端共用同一条距离律；
5. 导出里每秒一声「嗒」 —— 双耳渲染每 1 秒被重新调用一次，块边界有相位跳变（试听走 WebAudio，所以听不到）。
   现在整段渲染一次再按块切片，块边界跳变从 0.046 降到 0.0013。

6 轮分别做了什么

轮次	主题	主要产出
第 9 轮	多选手感	框选后按 L 生效、右键不再打散多选、悬浮窗锁定 / 静音合成两态按钮
第 10 轮	生成范围	「选中行」按 uid 精确下发；未知或缺参数的渲染范围一律 400
第 11 轮	写盘稳定性 + 分组编辑	根治 WinError 5；编辑分组可直接加减句；拆分句子继承分组
第 12 轮	生成过程	生成中询问「等这轮结束 / 加入当前队列」；本轮完成汇总；「▤ 分组」标签与句数补齐
第 13 轮	音频质量	人声分离默认 Demucs；变速缓存采样率；近场破音三处一起收
第 14 轮	导出啪声	双耳改「整段渲染 + 按块切片」；缓存版本号；超长片段按实际长度收尾

这一版新增的功能

• 分组可以直接加减句子：每张分组卡片多一对 ＋ / －，把左侧勾选的句子一键加进 / 移出本组
  （加入时补上「▤ 分组」标签并套用本组参数，不动已有行）；「编辑」弹窗顶部也有全台本句子清单；
• 拆分的句子留在分组里：回车拆分、插入空行、复制句子都会继承分组，行上带「▤ 分组」标签；
  合并两句时两边的组会并到一起；智能分行也一样；
• 分组勾选后一键生成：卡片左上角有勾选框，底部「已勾 N 个分组 · 共 M 句」+ 全选 / 清空 +
  「生成勾选的 N 个分组」，与生成页的「按批量任务」列表双向同步；
• 生成中再点生成会问一句：⏳ 等这轮结束再单独生成 或 ＋ 加入当前队列（追加到正在跑的任务，
  进度总数变大，跑完在同一份汇总里一起看）；生成中「开始生成」不再禁用，文案变成「＋ 加进队列 / 排队…」；
• 一轮跑完弹「本轮生成完成」：成功 / 失败 / 跳过 / 未跑各几句、总用时，逐句列出行号 + 文本 + 时长 + 状态，
  失败的在底部汇总原因；之前排过队的话主按钮直接是「开始排队的 N 句」；
• 生成页每个渲染范围标出句数：选中行 2 句 / 未生成 6 句 / 未勾选分组 / 全部 6 句，
  上方还有「已选 N 句 · 未选 M 句 · 共 T 句」的常驻提示；
• 导出改成体检报告：报告真实峰值（贴上限时提示降 2~3dB）、重建了几段变速缓存、
  几段比音频长（已按实际长度收尾）；
• 人声分离默认 Demucs（实测与干净语音相关性 0.99，中置提取 0.71），不可用时自动退回中置提取。

功能一览

01 台本 —— 智能识别与分句（时间轴稿 / 剧本 / 小说 / 指令 / 纯文本）、三种分行方案与单段上限、
按章节·角色·场景·段数分组、逐段预览拆分合并、句内音效标记。

02 配音 —— 逐句独立生成与试听、按分组配置音色与情感、选中行 / 未生成 / 全部批量生成、
修改追踪、连续与非连续多选、批量删除与复制（含已生成音频）。

03 素材 —— 音频与视频导入（自动提取音轨）、去伴奏与中置提取、降噪与响度标准化、裁剪、
音色库与音效库沉淀、默认保留原始素材便于二次处理。

04 时间轴 —— 多轨编排与整组拖动、框选与 Ctrl 加选、台本与工程副本衔接、
按句序重排台词（只改开始时间）、片段位置 / 时长 / 源起点 / 音量 / 声像 / 淡入淡出 / 变速、
变速到指定时长、多段复制与选择性粘贴属性、音声片段复制成独立素材。

05 空间音频 —— 句内音效落点、基于 HRIR 的空间定位（方位 / 仰角 / 距离）、房间混响与干湿比、
13 种运动脚本预设（往返、绕头、掠过耳侧、头顶环绕、背后低语…）。

06 自动化 —— 音量 / 声像 / 空间距离三条关键帧曲线，播放中推滑杆即可实时录制。

07 导出 —— WAV / MP3 / FLAC / OGG 混音（可选采样率、声道、时段、轨道、总时长口径）、
REAPER .rpp、PR / 达芬奇 .edl、Audacity 分轨 WAV + 标签，附分轨 stems 与 timeline.csv / markers.csv。

08 教程 —— 内置离线图文教程：六步上手 + 按备料 / 台本 / 生成 / 时间轴 / 导出五个阶段的功能索引 + 快捷键 + 常见问题。

包里有什么

内容	说明
工作台前后端代码	longform_api.py / lf_import.py / timeline_api.py / hrir.py / rooms.py + web/
bin\ffmpeg.exe	视频抽音频，离线可用（约 84MB）
vendor2\torch\	Demucs htdemucs 权重，去伴奏离线可用（约 80MB）
assets\hrir\	KEMAR / KU100 近场 HRIR

整个 zip 约 119MB。用不到「去伴奏」或「视频导入」的话，可以删掉 vendor2\torch\ 或 bin\，
功能会退化成「只有轻量中置提取 / 只能导入普通音频」。

前置条件

需要先安装 「IndexTTS2.0 超级优化整合包 V3」（作者：B 站 十一君Jun）。
下载方式与原作者信息见仓库 README。

整合包本体、模型与环境问题请找原作者；这个补丁只负责工作台那一层。