diff --git a/CHANGELOG.md b/CHANGELOG.md
index a662bfc..911f75b 100644
--- a/CHANGELOG.md
+++ b/CHANGELOG.md
@@ -2,6 +2,15 @@
 
 ## Unreleased
 
+**Lessons from a narrated film with 3D: one voice across a one-request take, labels sized from the start, text swaps and readouts, glass in Three.js**
+- Why: the maintainer asked that the general lessons from a 2-minute narrated canvas + Three.js film go into the docs as short guidance.
+- playbook/04: in a one-request gemini take (`--join all`) every line still carries its own style, so one line with a `[direction]` (often the opening) tends to sound different from the rest; for one voice in a single-narrator film, write one short overall style and no per-line directions (tools/audio/README's "整段合成" points there). When lines in one take run audibly fast and slow, an optional way to bring them closer line by line without synthesizing again, not to one exact pace (cuts refined from the waveform, so a first syllable the ASR placed late is not clipped; long pauses inside a line capped; per-line `atempo` part of the way towards one target pace; the take and the timeline written back, aligned again, captions redone), described, not a command yet: the film went from 4.7–6.7 to 5.6–6.1 CJK chars/s per line; the numbers are a reference, the ear decides. When transcription is unavailable (daily quota, API errors): the take is already on disk; `--resume` later, or take word times from a local whisper and align them with tts.py's `align_lines`, mapping digits back to a script that spells years out (一九五三).
+- tools/audio/README: a 429 asking for under 90 s (or naming no delay) is retried like the per-minute limit, up to 5 times a call, so a spent daily quota can look hung; the old text said the daily quota always fails at once.
+- playbook/03 §4: write readable labels at the floor from the first draft (44 px for `desktop`; one draft had about 40 at 24–40 px). Source, credit and asset lines go into the description unless a licence or the type doc wants them on screen, and then they are labels.
+- playbook/02 layer 3: a strip at each text swap in one place (#17's old-out-before-new-in, unchanged; a reviewer found three that the author's own check missed) and at each rolling readout, whose resting values are checked against NOTES.
+- Floors, said explicitly (CONTRIBUTING rule 7): TASTE_CHECKLIST #19 names a readout resting on an interpolated value as a fabricated number (the film's reviewer had judged it under #19); #6 and playbook/03 §4 count a shot's one-line headline as a 主标题, so it is held to 84 px (150 for `feed`), not 44.
+- engines/README (Three.js): `RoomEnvironment` reflections drew a bright vertical strip down every glass object, and a full-turn `LatheGeometry` seam faces a +z camera by default; turn the seam away and give glass a fresnel rim shell instead of the environment map. The list's lead-in now says most of its pitfalls come from the intro film.
+
 **`bin/vh tts … minimax`: MiniMax narration in one request, timed by its own subtitles**
 - Why: a film's narration was made with MiniMax T2A (`speech-2.8-hd`) through a project script. Sending the whole script in one request kept the voice from drifting between blocks, which the maintainer had heard and disliked with block-by-block synthesis, and the request's own subtitles gave every character's time without an ASR pass. This makes that a provider.
 - `minimax` posts to `https://api.minimax.io/v1/t2a_v2` (the China host `api.minimaxi.com` rejects international keys with 2049; `MINIMAX_BASE_URL` for a China-platform key). Key from `MINIMAX_TOKEN_PLAN_KEY` (Token Plan, spends its credits) first, then `MINIMAX_API_KEY` (pay-as-you-go); an error names the variable, never the key, with a hint for 1008 (no balance on that billing) and 1004/2049 (wrong host for the key). `MINIMAX_TTS_MODEL` / `_SPEED` / `_VOL` / `_PITCH` are recorded in `_run.json`, so `--resume` refuses a change; speed, volume and pitch are checked against the API's ranges before anything is deleted, and so is the 10,000-character limit of each request. `--instruct` / `[direction]` count only as one of MiniMax's nine emotion words; other text is ignored and that is said once. Default voices: zh `Chinese (Mandarin)_Reliable_Executive`, en `English_expressive_narrator`.
diff --git a/engines/README.md b/engines/README.md
index 7d43806..fb4e78a 100644
--- a/engines/README.md
+++ b/engines/README.md
@@ -152,7 +152,7 @@ window.__vh = {
 - **等宽字体的坑**：`ui-monospace, monospace` 能通过字体 lint，快照里看起来也是等宽，但 `hyperframes render` 渲染出来却是比例字体（showcase 00 在第一版全片都中了招）。要用 `@font-face` 显式声明，例如 `@font-face{font-family:"LF Mono";src:local("SF Mono"),local("Menlo")}`。**判断字体要看 mp4 渲染出的帧，不要看快照。**`check --snapshots` 只保存对比度检查用的 PNG，不能替代 `snapshot --at`。
 - `snapshot` 在 tween 刚开始的那一刻，可能和最终渲染出的帧不一致。关键帧以渲染出的 mp4 为准，逐帧 strip 的做法见 `playbook/02-verification.md`。
 - 完整样板：`showcase/02-short-leo-doppler/`（竖屏科普，单个 `index.html`）。
-- **HyperFrames 加 Three.js（3D 世界、一镜到底）的坑**，来自介绍片的制作：
+- **HyperFrames 加 Three.js（3D 世界、一镜到底）的坑**，多数来自介绍片的制作：
   - 每一帧都用 `renderAt(t)` 从 t 算出摄像机和所有物体的状态。摄像机路线用按 t 参数化的样条，不用 Three.js 的动画时钟。关卡处可以用 stop 关键帧停站，但要叠一层低幅的手持漂移，镜头不要完全停死（原因见 `playbook/08-vfx-and-motion-sources.md` 的"一镜到底"一节）。
   - `VideoTexture` 必须**每帧**设置 `texture.needsUpdate = true`，否则渲染出的屏幕是全黑的。视频按 t 去 seek，而且要等 seek 完成。
   - `__hf.buildReady` 要在普通 `<script>`（不是 module）里**同步注册**，否则每个并行 worker 的开头都会出现空帧。
@@ -161,6 +161,7 @@ window.__vh = {
   - **把 3D 点投影到屏幕前先 `camera.updateMatrixWorld()`**：同一帧里刚 `lookAt` 过，矩阵还没更新，钉在 3D 点上的标注会错位。
   - **`EdgesGeometry(geo, 阈值角)` 只画相邻面夹角大于阈值的边**：20 段的圆柱相邻面差 18°，阈值设 20° 就一条侧边线都画不出来。线框画法的圆柱少分几段（12 段是 30°），或者把阈值调低。
   - **物体的位置在建的时候就设好**：只在每帧的动画函数里设 `position` 的话，不参与动画的零件永远停在原点（盒子以中心为原点，会半截埋进地面）。
+  - **玻璃器皿上一道从上到下的亮条**：用 `RoomEnvironment` 做环境贴图时，它的反射会在每个玻璃件上留下一道亮竖条，一排玻璃件就是一排亮条；`LatheGeometry` 转满一圈的接缝默认也正对 +z 方向的镜头，一起转到背面（`phiStart` 设 `Math.PI`）。玻璃所在的场景不设 `scene.environment`（同一场景里别的材质也跟着没了环境反射，用灯光补），玻璃感改由一层菲涅尔边光壳来给：同一个几何体放大约 1.004 倍，`ShaderMaterial` 加法混合、不写深度，亮度取 `pow(1 − |N·V|, 2.6)`，只有边缘微微发亮。
   - **渲染时不要依赖在线 CDN。** importmap 指向 CDN 时，只要页面加载那一刻断网，渲染就会静默挂住：日志 0 字节，也不报错。介绍片的第一次 final 渲染就卡在这里。把 three.js 装进项目，importmap 指向 `node_modules`，snapshot 和 render 都能读到这些文件：
 
     ```bash
diff --git a/playbook/02-verification.md b/playbook/02-verification.md
index c855e9d..d5ca459 100644
--- a/playbook/02-verification.md
+++ b/playbook/02-verification.md
@@ -24,6 +24,7 @@
    - **strip**：看时序。按固定步长 0.1–0.15 秒出一串帧，从头到尾像观众那样读，数一数每个 read 分到几帧（24 帧 = 1 秒）。
    - **crop**：局部放大，看脸、手、接触点、发光区域。
    - 另外，每个转场前后各 0.5 秒都要单独看；整片再按目标屏的尺寸看一遍（BRIEF 的 `Watch on`）；循环播放的交付物还要看末帧接首帧（两条命令见下文"手机测试与循环接缝"）。
+   - 同一位置换字、会滚动的读数，各看一条 strip：换字时旧句退完、新句才进（#17；一支 2026-10 的片子作者自查漏了三处，是 reviewer 看出来的）；读数每次停下的数都和 NOTES 里的出处对一遍，停在插值算出来的数上算编造（#19）。
 4. **VLM 批评要给离散选项**：让模型从锚点网格里选位置（Code2Video 的做法），或者从几个渲染出来的变体里挑一个（Paper2Video 的做法）。不要让它输出"往左移 12px"这种数值微调。每轮最多列 3 个问题，每个问题都附一条可以直接执行的修改。
 5. **reviewer subagent**：开一个全新上下文（`standard` 用便宜一档的模型，Claude Code 里 `model: sonnet`；`studio` 可以用最强档），只给它联系表、`TASTE_CHECKLIST.md` 和 `STORYBOARD.md`，让它逐条打分；不合格的退回给写代码的 agent。
    - **人设**：严苛的导演，不是为作品自豪的作者。提示词的大意是："这支片子不是你做的。你是一位挑剔的导演，任务是找出它为什么还不能发。"作者自己看久了会习以为常，换一个没有感情投入的人才看得出。
diff --git a/playbook/03-motion-design.md b/playbook/03-motion-design.md
index 2d27ed5..3c00391 100644
--- a/playbook/03-motion-design.md
+++ b/playbook/03-motion-design.md
@@ -134,6 +134,7 @@
   - `feed` 那一档的字要大得多，因为横屏片在信息流里本来就小。能另出一个竖版（重新构图，不是裁）就另出，比把横屏的字放大到这一档好。
   - **4K**：照常按 1080p 写合成和字号，出片时渲成 4K（HyperFrames `render --resolution 4k`，竖屏 `portrait-4k`，方形 `square-4k`；见 `engines/README.md`），画面和字一起放大一倍，屏幕上看起来一样大。电脑上看 4K，字不需要占画面更大的比例；只有直接按 3840 宽写合成时，表里的 px 才要乘 2。
   - 风格预设的 STYLE.md 里写的字号，是它 5 s 样片用过的数（不少标签是 30–42 px），不是下限；借进片子以后，标题、标签、字幕按这张表来。
+  - **写场景时就从下限写起**：标签、注释、读数这些要读的辅助字，一开始就按这一档的下限写（`desktop` 是 44 px），不要先写小、等自查再放大：一支 2026-10 的横屏片初版有约 40 处辅助字是 24–40 px，事后放大要挨个重排。镜头里当标题用的那行大字（一句话点出这一镜讲什么）算主标题，不算辅助字（`desktop` 是 84 px）。出处、图片署名、素材来源这类小字，许可和类型文档没要求上屏的，放进视频简介；要上屏的（比如数据故事常驻的出处行）按辅助字算，同样不低于下限。
   - 来源：`docs/research/06-concept-first-ab.md`（同一个 44 px，竖屏手机上约 15 px，横屏放进信息流只有约 8 px）；屏幕宽度是常见设备的 CSS 宽度【综合】。
 - **中文字体**【综合】：思源黑体/Noto Sans CJK 用于正文和字幕，思源宋体用于标题和人文类内容；使用前确认本机已安装，或者把字体文件放进项目的 `assets/`。
 - **decode / scramble 字**：字像被程序一点点解码出来，是代码感片子的常用效果。守三条规矩：
diff --git a/playbook/04-audio.md b/playbook/04-audio.md
index 6135edc..fa7447e 100644
--- a/playbook/04-audio.md
+++ b/playbook/04-audio.md
@@ -70,6 +70,8 @@ bin/vh beats <任意音乐文件>                          # 外来音乐的节
 
 `--align gemini` 对任何 provider 都能用：每句合成完交给 Gemini 转写，拿回带时间戳的词，再和稿子逐字对齐。结果写进 timeline：`words` 是逐词时间（文字用稿子的写法），字幕和画面逐词同步用它；`asr` 是和稿子的相似度，跑偏、或者句首句尾多出 1 s 以上声音的句子标上 `flag`，命令最后逐句列出来。转写失败也不丢配音：修好原因后，同一条命令加 `--resume` 接着跑。时间步长、费用、限额和实测见 `tools/audio/README.md` 的同名一节。
 
+**转写用不了时**（当天额度用完，或者接口一直报错）：额度用完后，`--align gemini` 可能在 429 上等了又试（每次调用最多重试 5 次），看着像卡住。合成好的音频已经在盘上（逐句合成时是 `voiceover.<lang>.wav`，`--join` 时是 `vo/<lang>/_blockNN.wav`），停掉不会丢；可以等额度恢复后加 `--resume` 接着转写，也可以改用本地 whisper 拿词级时间（还没封装；Apple Silicon 上用 mlx-whisper 的 `whisper-large-v3-turbo`，`initial_prompt` 里写上人名和术语；别的做法见下文"选型"的词级时间戳一行），再交给 `tools/audio/tts.py` 的 `align_lines` 和稿子对齐（`--align gemini` 用的也是它）。whisper 常把年份写成阿拉伯数字，和稿子里为念法写的"一九五三"对不上：相似度会掉，自己写的逐字对齐还可能把那句的起点算偏（一支 2026-10 的片子算晚了，剪掉了第一个字）。对齐前先把这些数字换回稿子的写法。
+
 有词级时间时，`bin/vh captions` 会给每条字幕加上 `words`，念得太快的短字幕会往后延到 1.8 s（`tools/audio/README.md` 的"字幕"）。
 
 **双人对话、整段合成、音色、费用**：`@speakers` 双人对话、`--join` 整段合成、音色库和设计音色（`bin/vh voices`）、Gemini 的费用和限额，都在 `tools/audio/README.md` 的同名各节。用了 Gemini 旁白的片子，在 `NOTES.md` 写明"旁白为 AI 合成（Gemini TTS，含 SynthID 水印）"，发布时按平台要求标注。
@@ -188,6 +190,7 @@ bin/vh qa mix $A/stems --beats $A/music.beats.json   # 只看混音报告（词
   - 同一段里相邻两句的语气要有落差：问句接答句，铺垫接爆点，快接慢。
 - **标签**：`<short pause>`、`<long pause>`、`<breath>`、`<laugh>`、`<sigh>` 可以直接写进句子里。只有 `gemini` 会演出来，其他 provider 和字幕都会自动去掉（规则见 `tools/audio/README.md`）。`minimax` 用的是停顿标记 `<#0.4#>`（秒），同样只有它会停。中文稿里也写英文标签，官方说这样效果最好。标签只管某一刻的动作（停顿、呼吸、笑），持续的语气写在 `[ ]` 里。
 - **给 gemini 的指示要短**：一句话讲清情绪和节奏就够了。年龄、性别、口音属于音色，不要写进指示；长段的人设和导演笔记容易让音色漂移。
+- **单人旁白要整篇一个声音时，不写逐句指示**：gemini 整稿一次合成（`--join all`）时，每句仍是单独的一段文字，各带自己的 style（整体语气，加上这句 `[ ]` 里的指示）。只有一句带 `[ ]`（常见的是开头那句），这句容易和其余的听起来不一样。要全片一个声音，就只写一句简短的整体语气，每句都不写 `[ ]`。
 - **谁能演**：
   - `gemini` 表演力最好，整体和逐句指示都听；
   - `minimax` 只认一个情绪词（`calm`、`happy`、`whisper` 等），写别的会被忽略；
@@ -215,6 +218,14 @@ bin/vh qa mix $A/stems --beats $A/music.beats.json   # 只看混音报告（词
 
 **语速的依据和用法**：表里是句内语速，不算句间停顿。普通话正常朗读、去掉 150 ms 以上的停顿后约 5.2 字/秒：七种语言的朗读语料里，汉语是 5.18 音节/秒，一个汉字一个音节（Pellegrino, Coupé & Marsico 2011，*Language* 87(3)，[doi:10.1353/lan.2011.0057](https://doi.org/10.1353/lan.2011.0057)）。电话闲聊按总时长算是每分钟 228–247 字，约 3.8–4.1 字/秒（Yuan, Liberman & Cieri 2006，Interspeech，[doi:10.21437/interspeech.2006-204](https://doi.org/10.21437/interspeech.2006-204)）。知识科普的 4.5–5.5 围着正常朗读，原理讲解慢一档。倒推稿子字数时乘 0.85，留出句间停顿【综合】：45 s 的知识短视频约 170–210 字，3 分钟的讲解约 540–690 字。TTS 的实际语速看音色：本节第 4 小节比较 `duck_ratio` 用的那段测试旁白（0.25 s 间距，本地 Qwen3-TTS 0.6B 的 Serena，7 句 107 字）句内约 4.1 字/秒。所以字数只用来起稿，时长以 `timeline.json` 的实测为准（硬规则 2）。
 
+**一条 take 里快慢差得明显时，可以逐句拉近**：整稿一次合成、不写逐句指示，语气能统一，句与句的语速却可能差不少。句子之间本来就该有快慢，人听着不别扭就不用动；听得出忽快忽慢时，不用重合成，在这条 take 上逐句处理（还没做成命令）：
+1. 起止按波形定：从对齐给的句首往回走，走到声音静下来为止（ASR 给的句首不一定准，第一个字听错时常常偏晚，照着剪会切掉它），句尾同样往后走；
+2. 句内过长的停顿压到约 0.25 s，切口两侧各淡几毫秒；
+3. 每句用 `atempo`（不变调）往同一个语速拉近一些，不必拉齐；参照取人听过、认可的那一段（比如开头）。只校正一部分，例如倍数取（参照 ÷ 这句的语速）的 0.8 次方，限在 0.92–1.18，自然的起伏留着；
+4. 按标点和段落重排句间停顿（拼接别用 `anullsrc` 加 `concat`，见上文"旁白晚一点进来"），写回 `voiceover.<lang>.wav`；整条再对齐一次，更新 `timeline.<lang>.json` 的逐字时间，再重跑 `bin/vh captions`。
+
+一支 2026-10 的片子，一条 Gemini 整稿各句原来 4.7–6.7 字/秒（第 1、2 步之后量），这样处理后在 5.6–6.1 之间，听起来还是同一条 take。数字只是参考，以人听着顺为准。
+
 **要做 A/B**：`studio` 档位下，同一段旁白至少试两种导演方向，把两版都给人听。实测对比见本节开头：同样三句话，只给一个"纪录片旁白"的整体语气时听起来平；逐句导演、再卡上拍之后，才有起伏和节奏。
 
 ### 2. 旁白卡拍（动效类必做）
diff --git a/templates/TASTE_CHECKLIST.md b/templates/TASTE_CHECKLIST.md
index 5558653..2943d8c 100644
--- a/templates/TASTE_CHECKLIST.md
+++ b/templates/TASTE_CHECKLIST.md
@@ -22,7 +22,7 @@
 5. 【底线】需要观众读完的文字：同屏超过 8 个英文词，或中文每行超过 16 字（竖屏 72px 时 11 字）？停得不够快读一遍？从字完整显示、动画停下那一刻算起，要读的画面文字至少停 max(1.5s, 汉字数 ÷ 7 + 其他非空白字符数 ÷ 20 + 0.8s)，中英双语取慢的那个（1.5s 防一闪而过）；跟着配音走的字幕条每条 ≥ 1.8s，中文不超过 9 字/秒、英文不超过 20 字符/秒。读的那段时间里，字还在 decode 乱码，或被运动模糊抹花？（真实 UI 截图里的文字、背景纹理文字只要求"看得出是什么"，不要求读完）
    - 底线只管读一遍，不是舒服的时长。停多久舒服是默认口味，跟着片子的节奏走：BRIEF 的 `Pace`（relaxed / normal / brisk，默认 normal）定目标，各档读速见 `playbook/03-motion-design.md` §2。观众已经知道的字（字幕说的正是画面刚演过的、术语卡第二次出现）和镜头在走时只起提示作用的短标签（标 `data-read="label"`）按 brisk；卡在音乐上的字落在小节线上，不为凑秒数拖长；为读时拉长停留，音乐不能跟着停。
    - 有时间表就跑 `bin/vh readcheck`：低于底线是 FAIL，要修；只低于 Pace 的目标是 WARN，看一眼是不是有意为之，不算这一条 FAIL。
-6. 【底线】字号低于 BRIEF `Watch on` 那一档的下限（`playbook/03-motion-design.md` §4，1080p 合成里的 px：phone 主标题 84 / 辅助 44 / 字幕 65，desktop 84 / 44 / 48，feed 150 / 80 / 115；出 4K 照常按 1080p 写，渲染时放大；在 4K 帧上量要先除以 2，或者在 1080p 版上量）？按最终成片里的实际大小量：镜头推近后以推近后为准，而且推近后字不能发虚（被放大的元素挂着 CSS `will-change` 时，浏览器会把小尺寸的位图直接放大）；Manim 等不以 px 定义字号的引擎，从 1080p 成片的 crop 上量像素。GIF 预览不在考核范围内。
+6. 【底线】字号低于 BRIEF `Watch on` 那一档的下限（`playbook/03-motion-design.md` §4，1080p 合成里的 px：phone 主标题 84 / 辅助 44 / 字幕 65，desktop 84 / 44 / 48，feed 150 / 80 / 115；镜头里当标题用的那行大字按主标题算；出 4K 照常按 1080p 写，渲染时放大；在 4K 帧上量要先除以 2，或者在 1080p 版上量）？按最终成片里的实际大小量：镜头推近后以推近后为准，而且推近后字不能发虚（被放大的元素挂着 CSS `will-change` 时，浏览器会把小尺寸的位图直接放大）；Manim 等不以 px 定义字号的引擎，从 1080p 成片的 crop 上量像素。GIF 预览不在考核范围内。
 7. 用了不止一个无衬线族？用斜体做强调？每个词都在强调？
 8. 有写着剧情的牌子、标签、说明文字，而本可以用画面演出来？
 
@@ -43,7 +43,7 @@
 18. 超过 3s（短视频）或 8s（讲解）什么都没发生？停拍时声音和镜头同时停死（观众会以为播放卡住了；#16 的停顿要像屏息：低音垫着、镜头慢漂）？【底线】分镜里声明的卡点没对准节拍（±1 帧）？片中（首尾之外）出现数字静音或近乎静音（有声片才查；用户要的无声片不带音轨）？
 
 **内容**
-19. 第 1 秒看不出这是什么、为什么要看？【底线】有占位文字、编造的数字？把不存在的界面当成真实产品的界面展示（立意本身就是一个明显虚构的界面时不算，例如把讲解装进一个仿真的 app）？
+19. 第 1 秒看不出这是什么、为什么要看？【底线】有占位文字、编造的数字（在几个有出处的数之间滚动的读数，停住让人读的只能是有出处的数，不能停在插值算出来的值上）？把不存在的界面当成真实产品的界面展示（立意本身就是一个明显虚构的界面时不算，例如把讲解装进一个仿真的 app）？
 20. 把这一帧换到任何别的主题也照样成立（说明它是装饰，不是设计；最常见的通用 AI 装饰是四角的小标签、取景框式的边角线、不带信息的 HUD 读数）？说不出这一镜看完观众多知道了什么？
 
 ## 结构化输出
diff --git a/tools/audio/README.md b/tools/audio/README.md
index 65025c0..9abeba3 100644
--- a/tools/audio/README.md
+++ b/tools/audio/README.md
@@ -36,7 +36,7 @@
 - 模拟 Qwen 停不下来：同一句后面接 8 s 低音量的无关絮语，相似度掉到 0.47，并报"最后一个词之后还有 5.5 s"；接 8 s 近乎无声的底噪，文字全对（1.00），但报"最后一个词之后还有 8.2 s"。两种都抓到了；
 - 双人对话里，ASR 会把 B 说话时 A 的一声"嗯"也转出来。这种插话按稿子里的 `|嗯|` 算，不扣分。
 
-局限：时间戳的步长是 0.1 s（30 fps 下 3 帧）；数字可能被规范化（"二十六"转成"26"），相似度会降，但不算念错；每次调用有 3–7 s 延迟，逐句模式下 4 句并发。费用约 $0.005 / 分钟音频（付费档），免费档不收费。Tier 1 每分钟只能转写 10 次，超过 10 句（算上复查）时会碰到 429：这时按接口给的时间等（通常不到 1 分钟）再重试，12 句实测 155 s 跑完。接口要求等 90 s 以上的是日配额用完了，会直接报错。转写失败到底（日配额、断网、某个文件坏了）也不丢配音：`voiceover.<lang>.wav` 和 timeline 在合成后就先写好，出错的句子保留实测时长、`asr` 里记 `error`，命令以非 0 退出；修好原因后用**同一条命令**加 `--resume` 接着跑：只补合成缺的文件（合成中途失败也一样），转写成功过的句子不再重转（结果存在 `vo/<lang>/*.asr.json`），其余重做；`--join` 时整段音频留在 `vo/<lang>/_blockNN.wav`，在那之前它的几句共用整段的起止（`minimax` 例外：句子照样按它自己的逐字时间切开）。那次运行的稿子、provider、音色、语气指示（`--instruct`）和 `--join` 方式记录在 `vo/<lang>/_run.json` 里，`--resume` 要求它们一样，改了就拒绝并指出改了什么（对拍、间距这些时间参数可以改）。不带 `--align` 的普通合成中途失败，也用同一条命令加 `--resume` 接着合成；合成好的普通配音之后再加 `--align gemini --resume`，只做转写，不再合成。key 在合成前就检查。
+局限：时间戳的步长是 0.1 s（30 fps 下 3 帧）；数字可能被规范化（"二十六"转成"26"），相似度会降，但不算念错；每次调用有 3–7 s 延迟，逐句模式下 4 句并发。费用约 $0.005 / 分钟音频（付费档），免费档不收费。Tier 1 每分钟只能转写 10 次，超过 10 句（算上复查）时会碰到 429：这时按接口给的时间等（通常不到 1 分钟）再重试，12 句实测 155 s 跑完。接口要求等 90 s 以上的当成日配额用完，直接报错（日配额也可能只要求等几十秒，见下文"转写的配额"）。转写失败到底（日配额、断网、某个文件坏了）也不丢配音：`voiceover.<lang>.wav` 和 timeline 在合成后就先写好，出错的句子保留实测时长、`asr` 里记 `error`，命令以非 0 退出；修好原因后用**同一条命令**加 `--resume` 接着跑：只补合成缺的文件（合成中途失败也一样），转写成功过的句子不再重转（结果存在 `vo/<lang>/*.asr.json`），其余重做；`--join` 时整段音频留在 `vo/<lang>/_blockNN.wav`，在那之前它的几句共用整段的起止（`minimax` 例外：句子照样按它自己的逐字时间切开）。那次运行的稿子、provider、音色、语气指示（`--instruct`）和 `--join` 方式记录在 `vo/<lang>/_run.json` 里，`--resume` 要求它们一样，改了就拒绝并指出改了什么（对拍、间距这些时间参数可以改）。不带 `--align` 的普通合成中途失败，也用同一条命令加 `--resume` 接着合成；合成好的普通配音之后再加 `--align gemini --resume`，只做转写，不再合成。key 在合成前就检查。
 
 
 需要更细的强制对齐（音素级、离线）时，仍然可以用 mlx-audio 的 Qwen3-ForcedAligner、FunASR 或 whisper.cpp，这些没有封装。
@@ -76,7 +76,7 @@
 代价是没法逐句控制：
 - 某一句念得不好，只能整段重跑；
 - 卡拍只作用在每段的开头（用这段第一句的 `@id:grid`），段内各句的间距由模型自己念出来，不能对到拍点上；
-- 每句的 `[指示]` 仍然生效（gemini 把每句作为一个带 style 的 turn），但前后句的语气会互相带。
+- 每句的 `[指示]` 仍然生效（gemini 把每句作为一个带 style 的 turn），但前后句的语气会互相带。只有一两句带指示时，这几句容易和其余的不一样；单人旁白要整篇一个声音，就都不写（`playbook/04-audio.md` 的"旁白要导演"）。
 
 所以动效类、要卡拍的片子用默认的逐句合成；讲解、纪录片这类跟着语义走的旁白，可以整段合成。实测：两段共 3 句，第一段 2 句一次出 11.5 s，第二段单独放到网格上，三句相似度都是 1.00。
 
@@ -95,7 +95,7 @@
 
 - **费用**（Standard 档，每百万 token）：Flash TTS 输入 $0.50、输出音频 $9（约 $0.00225 / 10 s）；Flash-Lite TTS 输入 $0.50、输出 $6（约 $0.0015 / 10 s）。这是 2026-12-31 之前的价格，**2027-01-01 起全部翻倍**（Flash $1 / $18，Lite $1 / $12）。Batch 和 Flex 档是一半。免费档不收费，但内容可能被用来改进 Google 的产品，有保密要求的稿子用付费档；
 - 单个请求最多 8,192 个输入 token；
-- **转写的配额**（`--align gemini`，2026-10-01 在 Tier 1 上）：`gemini-3.5-transcribe` 每分钟 10 次、每天 100 次，官方文档说按项目算，不按 key。每分钟的 429 会自动等；每天的用完会直接失败，额度恢复后用 `--resume` 接着跑，已经转写成功的句子（`vo/<lang>/*.asr.json`）不会重做。每天几点恢复没有定论：文档写太平洋时间零点，429 提示里的倒计时指向 UTC 零点。AI Studio 的用量页显示的是 28 天的峰值，不是今天还剩多少；
+- **转写的配额**（`--align gemini`，2026-10-01 在 Tier 1 上）：`gemini-3.5-transcribe` 每分钟 10 次、每天 100 次，官方文档说按项目算，不按 key。每分钟的 429 会自动等；每天的用完时，429 要求等 90 s 以上就直接失败；要求不到 90 s（或没写，按 60 s 算）时，会像每分钟的限额一样等了再试，每次调用最多重试 5 次。有一支片子在日配额用完后就是这样，看着像卡住，怎么办见 `playbook/04-audio.md` 的"转写用不了时"。额度恢复后用 `--resume` 接着跑，已经转写成功的句子（`vo/<lang>/*.asr.json`）不会重做。每天几点恢复没有定论：文档写太平洋时间零点，429 提示里的倒计时指向 UTC 零点。AI Studio 的用量页显示的是 28 天的峰值，不是今天还剩多少；
 - **语气写短**：`--instruct` 和 `[指示]` 最后都进 `speech_metadata.style`。官方建议只写这一句的情境语气（"压低声音，卖个关子"）；年龄、性别、口音这类身份特征不要写进 style，要换音色，或者用 `voices design` 做一个。长篇的"角色设定""导演笔记"是音色漂移最常见的原因；
 - **每段 Gemini 音频都带 SynthID 水印**（听不出来，但能检测到）。用了 Gemini 旁白的片子，在项目 `NOTES.md` 里写明"旁白为 AI 合成（Gemini TTS，含 SynthID 水印）"，发布时按平台要求标注。