用 AI 声音为视频制作口述影像
口述影像（音频描述）在对白的间隙告诉盲人和低视力观众屏幕上发生了什么：谁进来了、什么变了、出现了什么文字。网页无障碍指南要求预录视频在 AA 级提供音频描述（WCAG 成功标准 1.2.5），但为每个视频、每次更新都请播音员录制既慢又贵。请注意：Supertonic 3 暂不支持中文，可朗读英语、日语、韩语等 31 种语言。
SuperClonica 能用清晰、中性的声音朗读你的口述影像脚本，可免费在线试听，也能在你的电脑上离线生成。本指南介绍如何写描述、如何配音，以及如何放进视频。
好的口述影像是什么样
描述看到的东西，而不是它的含义；让观众自己得出结论。
- 用现在时的短句：“She opens the door. The room is empty.”
- 只描述理解所需的内容：动作、变化、屏幕文字、谁在说话。
- 放在自然停顿处，绝不压在重要对白上。
- 平静、中性的声音，整个系列保持不变。
免费试听一句
在任意声音页面粘贴一句 30 到 100 个字符的描述，选择语言并点击生成按钮。几秒后就能听出声音是否足够清晰，无需注册。
为间隙写描述
如果间隙太短，宁可删减句子，也不要把语速调得过快。
- 观看视频，记下每个对白间隙的开始时间和长度。
- 每个间隙写一段刚好放得下的描述：大约每秒两到三个英文单词。
- 文件按开始时间命名，例如 0:12 处的片段命名为 ad_0012。
- 在观众需要的地方朗读片名和屏幕上的文字。
离线配音并混音
安装免费的 SuperClonica 引擎：python -m pip install superclonica-cpu。每段描述生成一个单独的文件，例如 superclonica --text-file ad_0012.txt --voice F1 --lang en --normalize --output ad_0012.wav。--normalize 让每句响度一致，略高于默认值的 --speed 有助于把一句话放进较短的间隙。在视频编辑器中把每个文件放到对应的开始时间，把下面的节目声音稍微压低，然后导出带口述影像的版本或单独的描述音轨。同一个声音可以用最多 31 种语言制作口述影像。
让观众参与
使用中性的标准声音（F1–F5 或 M1–M5）或目录中清晰的旁白声音，并在整个系列中保持一致。尽可能请盲人和低视力观众审听结果：他们最清楚缺了什么。合成声音让口述影像更快、更容易更新，但不能代替用心撰写的脚本。