fix(ai-avatar): B-roll时间戳为0根因——逗号分句+优先后端时间戳

根因（用户截图文案：'卖花的叫花无缺，卖姜的叫姜子牙，卖菜的蔡文姬，那我修脚阔头的呢，应该叫什么呢'）：
1. 分句正则没包含中文逗号「，」，整段被识别为1句；后端静音检测按TTS音频停顿
   切出多句，前端校验 sentenceTimings.length===rawParts.length 条数不等 →
   整个后端精确时间戳被丢弃走降级
2. 降级路径 outputDuration=0（对口型预览阶段最终视频未渲染）→ 所有句子时间估算为0

修复：
- 前端 sentences.ts：
  a. 分句正则加上中英文逗号「，,」
  b. sentenceTimings 校验放宽：只要是有效数组就直接用后端句子列表，
     不再强制条数相等（后端按音频停顿的切法才是真实边界）
- 后端 _split_script_into_sentences：正则同步加逗号，前后端一致
- 补单测验证逗号分隔文案分句

apps/api/app/tasks/lipsync_tts.py

@@ -55,13 +55,17 @@ def _sign_media_url(url: str) -> str:
 
 
 def _split_script_into_sentences(script_text: str) -> list[str]:
-    """按句号/问号/感叹号/分号/换行分句（与前端 splitScriptIntoSentences 一致）."""
+    """按句号/问号/感叹号/分号/逗号/换行分句（与前端 SENTENCE_SPLIT_RE 一致）.
+
+    中文短视频文案习惯用「，」断小句（如"卖花的叫花无缺，卖姜的叫姜子牙"），
+    必须把逗号也纳入分隔符，否则多句文案会被识别成一整句，导致 B-roll 时间戳错位。
+    """
     import re
 
     text = (script_text or "").strip()
     if not text:
         return []
-    parts = re.split(r"[。！？!?；;\n\r]+", text)
+    parts = re.split(r"[。！？!?？！;；,，\n\r]+", text)
     return [p.strip() for p in parts if p.strip()]
 
 

apps/web/src/pages/ai-avatar/utils/sentences.ts

@@ -1,8 +1,10 @@
 /**
  * AI数字人 — 文案分句 & B-roll 时间计算
  *
- * 优先使用后端基于 TTS 音频静音检测计算的精确 sentence_timings；
- * 后端未返回（如对口型还在生成中）时，降级为前端按字数比例估算。
+ * 数据来源优先级：
+ *   1. 后端 sentence_timings（基于 TTS 音频静音检测，精确到句子边界）—— 直接使用，不重新分句
+ *   2. 后端 output_duration（最终渲染视频时长） + 本地分句 —— 按字数比例估算
+ *   3. 两者都没有（对口型还在生成中）—— 返回分句文本但 startTime/endTime 全部 0，等数据到位重算
  */
 
 export interface ScriptSentence {
@@ -20,45 +22,46 @@ export interface ScriptSentence {
   endTime: number
 }
 
+/** 句子分隔符：中英文句号/问号/感叹号/分号/逗号/换行（覆盖中文短视频常用断句） */
+const SENTENCE_SPLIT_RE = /[。！？!?？！;；,，\n\r]+/
+
 /**
- * 按句号/问号/感叹号/分号/换行分句（兼容中英文标点）。
- * 空文案返回空数组。时间优先使用后端 sentence_timings；否则按字数线性估算。
+ * 分句并计算每句的起止时间。
  *
  * @param sentenceTimings 后端返回的精确句子时间戳（来自 lipsync_job.sentence_timings）。
- *   非空且有效时优先采用，跳过前端估算。
+ *   非空时直接按后端返回的句子列表渲染，不再本地分句（避免前后端分句不一致导致时间错位）。
+ * @param outputDuration  最终视频时长（秒）。对口型预览阶段可能为 0，此时降级估算只能给 0。
  */
 export function splitScriptIntoSentences(
   scriptText: string,
-  sentenceTimings?: { index: number; text: string; start_time: number; end_time: number }[] | null,
+  sentenceTimings?: { index?: number; text?: string; start_time: number; end_time: number }[] | null,
   outputDuration: number = 0,
 ): ScriptSentence[] {
   const text = (scriptText || "").trim()
   if (!text) return []
 
-  // 1. 先做基础分句（仅用于降级估算 / 没有 sentenceTimings 时）
-  const rawParts = text
-    .split(/[。！？!?；;\n\r]+/)
-    .map((part) => part.trim())
-    .filter((part) => part.length > 0)
-
-  // 2. 优先使用后端精确时间戳
-  //    校验：必须是数组、条数一致、每条都有 start_time/end_time，否则降级估算
-  if (Array.isArray(sentenceTimings) && sentenceTimings.length === rawParts.length) {
+  // 1. 后端返回了 sentence_timings：校验通过就直接用，跳过本地分句
+  //    校验条件放宽：只要是数组、至少1条、每条 start_time/end_time 是数字即可
+  //    （不再强制要求条数相等——后端静音检测可能按停顿切出更多/更少边界，
+  //    比如文案用逗号连写时本地只分1句、后端按停顿切4句，后端的切法才是对的）
+  if (Array.isArray(sentenceTimings) && sentenceTimings.length > 0) {
     const valid = sentenceTimings.every(
       (t) =>
         t &&
         typeof t.start_time === "number" &&
         typeof t.end_time === "number" &&
+        isFinite(t.start_time) &&
+        isFinite(t.end_time) &&
         t.end_time >= t.start_time,
     )
     if (valid) {
       let accChar = 0
       return sentenceTimings.map((t, i) => {
-        const part = rawParts[i] ?? t.text ?? ""
-        const charCount = part.replace(/\s/g, "").length
+        const sentenceText = (t.text || "").trim() || `句子${i + 1}`
+        const charCount = sentenceText.replace(/\s/g, "").length
         const sentence: ScriptSentence = {
-          index: t.index ?? i,
-          text: part,
+          index: typeof t.index === "number" ? t.index : i,
+          text: sentenceText,
           charCount,
           startChar: accChar,
           startTime: round1(t.start_time),
@@ -70,7 +73,12 @@ export function splitScriptIntoSentences(
     }
   }
 
-  // 3. 降级：按字数比例线性估算
+  // 2. 本地分句 + 按字数比例估算（降级路径）
+  const rawParts = text
+    .split(SENTENCE_SPLIT_RE)
+    .map((part) => part.trim())
+    .filter((part) => part.length > 0)
+
   const totalChars = rawParts.reduce((sum, part) => sum + part.replace(/\s/g, "").length, 0)
   const duration = outputDuration > 0 ? outputDuration : 0