tts-node

TTS Node — 三种用法（输入 / 输出 / 环境变量）

包 @panda-video-generator/tts-node：读口播纯文本（非空行 = 一段），用 Microsoft Edge TTS 合成、ffmpeg 拼接并 atempo 加速，写出 audio.mp3 + audio.vtt。需 网络；ffmpeg 在 PATH。packages/tts-node/README.md 仅为路牌链回本文。

---

1. 仓库根 pnpm tts（生成 + 校验 + 同步到 public/）

用法

pnpm tts

根脚本设 cross-env：SPIDER_OUTPUT_DIR=output/spider、TTS_OUTPUT_DIR=output/tts、TTS_PUBLIC_DIR=public/tts，执行 node scripts/run-tts.mjs：检查输入与 ffmpeg → tsx packages/tts-node/src/cli.ts → 再 node scripts/sync-outputs-to-public.mjs。

输入

项目	说明
口播文本文件	默认 $TTS_INPUT_FILE，未设则为 $SPIDER_OUTPUT_DIR/input.txt（路径相对仓库根，脚本内解析）

输出

路径	内容
<TTS_OUTPUT_DIR>/audio.mp3	合并后的音频
<TTS_OUTPUT_DIR>/audio.vtt	与真实分段时长对齐的 WebVTT
<TTS_PUBLIC_DIR>/audio.mp3、<TTS_PUBLIC_DIR>/audio.vtt	sync 后的副本（供 Remotion 等）

环境变量

变量	必填	默认 / 说明
SPIDER_OUTPUT_DIR	否	output/spider（参与默认输入路径）
TTS_INPUT_FILE	否	<SPIDER_OUTPUT_DIR>/input.txt
TTS_OUTPUT_DIR	否	output/tts
TTS_PUBLIC_DIR	否	public/tts（sync 目标）
EDGE_TTS_VOICE	否	zh-CN-YunjianNeural
EDGE_TTS_BATCH_SIZE	否	3，最大 8（并行段数）
EDGE_TTS_TIMEOUT_MS	否	120000（每段 WebSocket，下限 15000）

---

2. 仅 CLI（不跑 sync-outputs-to-public）

用法

在 monorepo 根（或自行保证 cwd 下相对路径正确）：

pnpm exec tsx packages/tts-node/src/cli.ts [input_file] [output_dir]

省略参数时用环境变量默认值（见下），逻辑见 src/cli.ts：

pnpm exec tsx packages/tts-node/src/cli.ts
# → resolve(cwd, TTS_INPUT_FILE 或 <SPIDER_OUTPUT_DIR>/input.txt) → resolve(cwd, TTS_OUTPUT_DIR)

输入

项目	说明
input_file（可选 argv[2]）	口播文本；未给则用 TTS_INPUT_FILE 或 <SPIDER_OUTPUT_DIR>/input.txt
文本规则	非空行各为一段 TTS；全文为空或无非空行会 throw

输出

路径	内容
<output_dir>/audio.mp3	合并后音频
<output_dir>/audio.vtt	WebVTT
<output_dir>/sentence*.mp3	中间文件，流程结束会 删除

环境变量

变量	必填	默认 / 说明
SPIDER_OUTPUT_DIR	否	output/spider
TTS_INPUT_FILE	否	<SPIDER_OUTPUT_DIR>/input.txt
TTS_OUTPUT_DIR	否	output/tts（仅在未传 output_dir argv 时作为默认）
EDGE_TTS_VOICE	否	同用法 1
EDGE_TTS_BATCH_SIZE	否	同用法 1
EDGE_TTS_TIMEOUT_MS	否	同用法 1

cli.ts 不读取 TTS_PUBLIC_DIR（不同步 public）。

---

3. 程序调用 processNarrationFile

用法

import { processNarrationFile } from '@panda-video-generator/tts-node';

await processNarrationFile('/abs/or/cwd-relative/input.txt', '/abs/or/cwd-relative/output/tts', {
  voice: 'zh-CN-XiaoxiaoNeural',
  speedFactor: 1.1,
  batchSize: 3,
});

options 均可省略：voice / speedFactor（默认 1.1，ffmpeg atempo）/ batchSize（默认读 EDGE_TTS_BATCH_SIZE 或 3）。voice 未传时用 EDGE_TTS_VOICE 或 zh-CN-YunjianNeural；可用 normalizeVoiceForEdgeReadAloud（同包导出）纠正 Azure 式冒号命名。

输入

项目	说明
inputFile	口播文件绝对路径或相对 当前 Node 进程 cwd
outputDir	输出目录（会 mkdir）

输出

路径	内容
<outputDir>/audio.mp3、<outputDir>/audio.vtt	同 CLI

环境变量

变量	说明
EDGE_TTS_VOICE	options.voice 未传时使用
EDGE_TTS_BATCH_SIZE	options.batchSize 未传时使用
EDGE_TTS_TIMEOUT_MS	每段超时

额外导出（按需）：generateVtt、splitTextForVtt、formatVttTime（vtt.ts），一般 processNarrationFile 已写入 audio.vtt。