一、先确认输出语言与视频长度
当前网站使用的浏览器运行库提供 28 个英文音色。中文界面不等于支持中文合成；官方模型的多语言音色清单也不等于本站全部可用。输入框接收普通文本，不解析 SSML、情绪标签或精确停顿指令。本文的“五分钟”指目标视频时长，不是生成耗时承诺。先列出开场、演示、解释和结尾四部分，再根据画面写英文配音稿。中文备注留在制作文档，不要一起粘贴进输入框。
二、准备一段可直接试用的脚本
下面是文件整理教程的示例输入，不是实测音质或耗时结果。先用这段检查设备能否完成合成，再扩展成整集脚本。
Welcome back. Today, we will organize a project folder. First, create a folder for source files. Then save your exported audio in a separate folder. This makes each revision easier to find.三、用同一段话比较音色
先在 Kokoro 音色库听预录样例，再回到工具用自己的脚本比较。样例试听不需要下载合成模型，生成新文本则需要。选择两三个可用音色，固定同一语速，重点听专有名词、句尾是否完整以及连续听时是否舒适。不要同时改音色和稿件，否则难以判断变化来源。
四、按画面拆分，逐段生成 WAV
在 Kokoro Web 文本转语音工具粘贴一个完整段落，选择音色和语速，生成后听完再下载 WAV。本站没有按镜头自动分轨的功能；按片段重复操作并自行命名，例如 opening-v1.wav 和 folder-demo-v1.wav。把文本、音色 ID 和语速一起记录，方便只重做修改过的部分。
五、处理数字与停顿
把容易读错的日期和缩写写成希望听到的英文形式。例如将 “Save 3 files” 改为 “Save three files”。逗号和句号会影响自然断句，但不能指定毫秒数。需要画面停留两秒时，在视频编辑器时间线上留出空隙，不要输入括号里的停顿说明。
六、对齐画面与检查成片
把下载的 WAV 放入视频编辑器，先对齐每段开头，再检查演示动作是否比解说更早或更晚。如果话太多，优先删掉重复说明，必要时调整语速后重新生成。音乐、淡入淡出、响度处理和 MP3 转换由外部编辑器完成；本站直接导出 WAV。具体操作可参考 TTS 音频后期指南。
七、发布前逐段复听
戴耳机检查句首句尾和术语，再用手机扬声器听人声是否被音乐盖住。对照字幕检查漏字，不要只看波形。保留原始 WAV 和最终视频分开存放，避免把加过音乐的混音文件当成可替换的人声母带。最终长度以编辑器测量为准。
常见问题
能直接生成中文旁白吗？
本站当前运行库提供英文音色。需要普通话旁白时，请使用明确支持普通话的工具。
可以用情绪提示词或 SSML 吗？
不能。请使用普通文本，调整音色和语速；精确停顿、混音和音量处理需要在音频编辑器中完成。
生成速度和离线使用有保证吗？
没有。首次使用需要下载模型；生成速度取决于设备、浏览器和文本长度。缓存可能被清理，离线可用性还取决于页面和全部资源是否已缓存。