已被取代（2026-06-25） 参见 00-roadmap-elevenlabs-parity.md 与规范 01–03。保留以作历史参考。

Stories Editor 与 Audiobook — 成熟度规范¶

汇编于 2026-06-13。目标为 v0.3.x continuous-to-main 开发线。以下每个工作项均以上述两个功能的当前实现为基准（文件:行号引用见下文）。

0. TL;DR — 核心决策¶

Stories Editor 和 Audiobook 是同一任务的两个创作前端： 分章节长篇幅 TTS → 带章节标记的音频文件。目前它们构建在迥异的技术栈上，而这种分歧正是大多数成熟度差距的根源：

建议：收敛到一个服务端章节化渲染核心；保留两个不同的创作前端。 Stories Editor 的 “Generate full” 会将其 cast/台词编译为 Audiobook 后端已在使用的同一 Chapter[]/Span[] 模型，并提交同一任务。这消除了重复工作，解除了 Stories 在浏览器端的规模上限，并且让两个功能免费获得恢复、响度标准化、封面和元数据。

Stories 保留快速的客户端单行预览（低延迟、无任务开销）。只有完整导出迁移到服务端。

考虑的替代方案： 将两者完全分离，各自独立成熟。已否决——这会使工作量翻倍（两套元数据系统、两条标准化路径、两套恢复机制），并让 Stories 永远无法渲染整本书长度的输出。如果负责人希望保持分离，则仅适用 §2 + §3 前端部分，并放弃 §1。

1. 共享渲染核心（新）— 后端¶

新模块 backend/services/longform_render.py，对 audiobook 管线进行泛化（该管线已有正确的形态）。

• 规范任务模型（已存在于 backend/services/audiobook.py:47-86）：Project → Chapter(title, spans) → Span(voice_id, text, pause_ms_after)。将其提升至此模块；Audiobook 与 Stories 都编译为该模型。
• 复用 synthesize_chapter（audiobook.py:140）、build_chapter_ffmetadata（:186）、build_concat_list（:207）、build_m4b_cmd（:221）。将 build_*_cmd 泛化，使其接受 metadata + cover + format。
• 新增能力（每项都是一个独立、可测试的纯构建器 + 接入步骤）：
• 全局元数据 → FFMETADATA [global]：title、artist（作者）、album、composer/narrator、date（年份）、genre、comment。
• 封面图 → ffmpeg -i cover.jpg -map 2 -disposition:v attached_pic（MP4 COVR）。在服务端校验图片（大小/类型）。
• 响度标准化 → 两遍 ffmpeg loudnorm，使用 ACX 预设（目标 ≈ -19…-21 LUFS 综合响度，≤ -3 dB 真实峰值，噪底 < -60 dB）。开关 + 预设（ACX / Podcast -16 LUFS / Off）。
• 逐章节检查点 / 恢复：以 hash(span_texts + voice_ids + pauses + engine + voice refs) 为键缓存每个已渲染章节的 WAV。重试时，跳过哈希已有缓存 WAV 的章节 → 在不重新渲染已完成章节的情况下恢复失败/长任务。
• 并行章节合成：将章节并发提交到现有 _gpu_pool（受池大小限制），而非严格串行。
• 输出格式：m4b（带章节的 AAC，当前支持）、mp3（通过 ID3 CHAP 帧带章节）、per-chapter files（zip）、stems（每个音色一条音轨 —— Stories 现有的 stems 概念，服务端实现）。
• 任务持久化 / 库：新增 alembic 表 longform_jobs（id、kind=audiobook|story、title、status、output_path、chapters JSON、metadata JSON、created_at）。完成的书/故事会重新出现在项目/库中，并可再次下载。向后兼容迁移（增量表）。

2. Audiobook 标签页 — 成熟度（前端 + 轻量后端）¶

锚点：frontend/src/pages/AudiobookTab.jsx、frontend/src/api/audiobook.ts、backend/api/routers/audiobook.py、backend/services/audiobook.py。

P0 - 元数据面板：标题、作者、朗读者、年份、类型、描述、封面图片选择器。接入 §1.1/§1.2。 - 逐章节预览：渲染单个章节（新增 POST /audiobook/preview，复用 synthesize_chapter），让用户在提交整本书之前先试听。 - 章节级重试：章节失败不会终止整个任务；将其标记，让用户只重跑该章节（利用 §1.4 的检查点）。 - 恢复：重新连接/重启中断的任务，跳过已缓存章节。 - 响度标准化开关（ACX 预设默认关闭；需显式选择启用）。

P1 - 导入 → 自动分章：.txt（按 # H1 / ^Chapter \d+ 切分）、EPUB（spine + TOC → 章节；本地解析，无需网络）、拖放文件。 - 发音词典：按项目设置 word→phoneme/重拼覆盖，在合成前应用（与 Stories 共享）。 - ETA + 更丰富的进度（已完成章节数/总数、已用时间、预计剩余时间）。

P2 - SSML-lite（[emphasis]、[slow]/[fast]、[spell]）映射到引擎 instruct + 分块速率。批处理（排队多本书）。

3. Stories Editor — 成熟度（前端 + 后端）¶

锚点：frontend/src/components/StoriesEditor.jsx（749 行单体）、frontend/src/store/storiesSlice.ts、frontend/src/utils/storyExport.js、frontend/src/utils/parseScript.js。

P0 - 将 “Generate full” 迁移到共享服务端任务（§1）。新增 storyToSpans() 编译器：cast + 台词 + [voice:]/[pause] 标记 → Chapter[]/Span[]。storyExport.js 缩减为仅预览（保留 StoriesEditor.jsx:271-322 处流畅的客户端单行播放）。 - 逐行重新生成（目前只有完整导出存在）。 - 中止/取消进行中的导出（目前循环没有中止信号）。 - 将情绪/语气字段接通到 instruct（storiesSlice.ts:17 “Phase 3” 桩代码；语气标签会插入文本标记，但从未进入合成环节）。

P1 - 组件拆分：CastPanel.jsx / StoryLine.jsx / LineDrawer.jsx （已在 docs/superpowers/specs/2026-05-30-stories-editor-studio-design.md 中标注）。 - 逐行波形 + 时长缩略图。 - 带标记的分章 M4B 导出（复用 §1；Stories 已在 StoriesEditor.jsx:46 检测 # 章节行）。 - 可选的服务器持久化项目（DB），使大型演员阵容/长脚本突破 localStorage 限制；惰性迁移现有 localStorage 项目。

P2 - EPUB/剧本导入打磨；更丰富的自动选角（性别/声音匹配）。

4. 跨领域关注点¶

• 响度标准化、元数据+封面、续播/检查点、并行合成均位于 §1，并被两个功能共同使用——只需构建一次。
• 发音词典共享服务（用于 Audiobook P1 + Stories）。
• DB：通过 alembic 新增 longform_jobs（+ 可选的 story_projects），采用增量式、经过测试的升级路径。现有 omnivoice_data/ 和 localStorage 不受影响。
• i18n：在 audiobook.* 和 stories.* 下新增键；不硬编码 CJK。
• 测试：扩展 tests/test_audiobook.py —— loudnorm argv（两遍处理形态）、全局元数据 + 封面 ffmeta/argv、storyToSpans() 编译器、续播跳过（缓存章节哈希 → 跳过）、EPUB→章节解析。前端：元数据面板、逐行重新生成、中止。

5. 遵守的约束¶

• 跨平台一致性：ffmpeg loudnorm / COVR / aac 在 mac/Win/Linux 上行为一致（ffmpeg 已随附）。响度开关默认关闭 → 不会产生默认行为差异。EPUB 解析在本地进行。
• 本地优先：无云端、无账户；所有渲染/导入均在设备端完成。
• 向后兼容数据：alembic 增量表；localStorage 项目惰性迁移，绝不破坏。
• 版本管理：以 v0.3.x 行上的持续合入主分支补丁形式发布；除非所有者要求，否则不发布 RC，不新增次要版本。

6. 建议的 PR 切分¶

1. 共享的 longform_render 核心 + loudnorm + 全局元数据/封面构建器 （仅后端，接在 Audiobook 后面）。先做纯构建器 + 测试。
2. Audiobook 元数据 + 封面 UI。
3. 逐章预览 + 重试 + 续播（检查点）。
4. 文本/EPUB 导入 + 自动分章。
5. Stories “Generate” → 共享任务；storyToSpans()；逐行重新生成；emotion→instruct。
6. Stories 组件拆分 + 逐行波形；分章 M4B。
7. DB 任务库（Projects/Library 显示已完成的书/故事）。
8. （P2）SSML-lite、批处理、发音词典 UI。