把一条视频转写成时间轴，克隆目标音色、生成配音并混回视频，适合课程、宣传片和海外内容本地化。
使用 WhisperX：带词级时间戳和说话人分离的语音识别工具。
使用 GPT-SoVITS 本地配音：少量样本克隆音色，本地生成配音。
使用 Voicebox：开源 AI 声音工作室，支持克隆、听写与生成。
使用 FFmpeg 音视频处理：本地转码、剪辑、抽音轨、压制的万能底座。
