声音处理：四个套装连起来讲

按描述生成音色、从录音提取带时间轴的字幕、用这个音色给字幕配音，再换掉成品录音里的声音 — Imbutus 上的 Qwen3-TTS、WhisperX、Fish Audio S2 和 CosyVoice 3。