中文口播转泰语和菲律宾语实测：克隆原声音色、保留背景音乐

上一篇用同一条带货视频对比了四种中文字幕擦除方案。这次沿用擦除后的画面，把 24.2 秒中文口播分别做成泰语和菲律宾语。两版都复刻原说话人的音色，混回原视频的背景音乐，并烧录对应字幕。上一篇字幕擦除实测

两版成片

• 播放泰语版

• 播放菲律宾语版

两版均为 720×1280、726 帧。可以对照听背景音乐是否连贯，再看字幕是否跟得上每句话。这次只测试了一条样片，尚未做母语者评审或长视频压测。

从原片到外语成片

1. 分离人声和背景音。 用火山 AI MediaKit 把原音轨分成两份。净人声用来识别和克隆，背景轨留给两版成片共用。
2. 识别中文并校正时间轴。 用 qwen3.5-omni-flash 转录并分成 8 句。样片里转录文字与交叉识别吻合，但粗分句时间会切到词中间。再用 qwen3-asr-flash-filetrans 的词级时间戳修正边界。
3. 翻译并控制句长。 每句沿用中文的起点，到下一句起点之间就是可用时长。译文保留商品信息和行动指令，再按时间压缩。菲律宾语末句实测偏长，改成 “Tag-ulan na. Bili na!” 后只重生成了这一句。
4. 复刻音色并逐句配音。 从分离后的人声选约 18 秒清晰参考音频，在百炼创建一个音色，用 qwen-audio-3.1-tts-plus 分别合成两种语言。两版共用这个音色。合成后用 FFprobe 测时长，轻微超时用 FFmpeg 的 atempo 保持音高。泰语无需加速，菲律宾语最高约 1.26 倍。
5. 混音和烧字幕。 FFmpeg 用 adelay 把每句放到对应时间，再与原背景轨混音。字幕按配音实际起止时间生成，沿用最终口播稿。导出时显式选用擦除后的画面和新音轨，避免把原中文口播带回去。

这条视频花了多少

项目	样片用量	按公开价折算
人声分离	24.218 秒，两版共用	¥0.0283
转录、时间对齐与交叉验证	两版共用，含部分估算	约 ¥0.024–0.028
音色注册	1 个	¥0
泰语合成	269 个计费字符	¥0.0377
菲律宾语合成	414 个计费字符，含末句重做	¥0.0580
合计	两版成片	约 ¥0.15

费用按公开单价折算。翻译稿由助手拟写，FFmpeg 在本地运行，画面复用了上一次的擦除结果。百炼模型定价 · 百炼声音复刻 · 火山音频工具定价

按这条样片的口播密度外推，3 分钟原片做泰语和菲律宾语两版约 ¥1.00/条。按每天 4,000 条、每月 30 天估算约 ¥12 万。这里采用一次转录加一次词级对齐的批量口径，字幕擦除、翻译 API、存储流量和额外重试另计。实际预算要用长样片的字符数、重做率和账单重新核算。

批量执行时可以按原片缓存擦除画面、分离出的背景轨和中文时间轴。随后按目标语种独立生成译文、配音和字幕，遇到超时只返工相应句子。