用 MiniMax TTS + Whisper 给视频自动配音和字幕#

0. 一句话先讲明白#

短视频的“完成感”很大一部分来自声音和字幕。画面可以是 AI 生成的，剪辑可以是模板化的，但如果配音像机器人、字幕断句很怪，观众会立刻划走。

这一节教你把声音生产拆成两步：先用 MiniMax TTS 生成贴合账号人设的配音，再用 Whisper / 语音转文字工具生成字幕，最后人工校对专有名词、数字和断句。声音和字幕不是美化项，而是决定完播率、信任感和批量出片稳定性的基础设施。

版本口径：MiniMax 以官方 API docs / platform.minimax.io 当前说明为准，Speech 模型名、可用音色和额度会变化；正文只写 TTS、voice cloning、40+ 语言等公开可确认能力，不写精确价格。OpenAI Speech-to-text 官方文档说明语音转文字支持转写和翻译；whisper-1 支持常见字幕输出格式，上传文件当前限制为 25MB。

你将学到#

• 如何为账号选择一个稳定声音，而不是每条视频换音色。
• 如何写 TTS 文案，让读出来像人话。
• 如何用 Whisper / 语音识别生成字幕初稿。
• 如何校对数字、专有名词、停顿和字幕行长。
• 如何把配音和字幕纳入视频生产文件夹。
• 本节最终交付物：账号声音卡、TTS 口播稿模板、字幕终审清单、音频 / 字幕文件夹规范。

适合谁#