# 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
> 同一条 24 秒带货视频做泰语和菲律宾语两版，记录成片、时间轴踩坑和 API 成本。
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](https://octohz.com/p/3376)
## 两版成片
- [播放泰语版](https://octohz.com/videos/uploads/ref-video-538d6c6e-7d7d-43bf-a742-4db7c779819d.mp4)
- [播放菲律宾语版](https://octohz.com/videos/uploads/ref-video-fb580d86-0f99-4272-8471-a5db3e508a09.mp4)
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](https://help.aliyun.com/zh/model-studio/model-pricing) · [百炼声音复刻](https://help.aliyun.com/zh/model-studio/voice-cloning-user-guide) · [火山音频工具定价](https://docs.volcengine.com/docs/intelligent-processing/audio-tool-billing?lang=zh)
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。
---
**分类**：程序员
**标签**：https · 菲律宾语 · 两版
**作者**：子龙
**链接**：https://octohz.com/p/3377