ai-voice-cloning

用途

该技能用于通过 inference.sh CLI（belt）生成 AI 语音，涵盖文本转语音（TTS）与语音合成，适用于旁白、有声书、播客、视频配音、电子学习、无障碍内容、IVR 电话语音以及内容本地化等场景。

安装与准备

安装 belt CLI 技能：

npx skills add belt-sh/cli

需要 inference.sh CLI（belt），并先登录：

belt login

主要能力与可用模型

模型	App ID	适用场景
Inworld TTS-2	`inworld/text-to-speech-2`	100+ 语言、情绪/非语言引导、多种表达模式
Inworld TTS 1.5 Max	`inworld/text-to-speech-1-5-max`	低延迟（<200ms）、15 种语言
Inworld TTS 1.5 Mini	`inworld/text-to-speech-1-5-mini`	超低延迟（约 120ms）、15 种语言、实时
ElevenLabs TTS	`elevenlabs/tts`	高级质量、22+ 音色、32 种语言
ElevenLabs Voice Changer	`elevenlabs/voice-changer`	转换已有语音录音
Kokoro TTS	`infsh/kokoro-tts`	自然、多音色
DIA	`infsh/dia-tts`	对话式、富有表现力
Chatterbox	`infsh/chatterbox`	休闲、娱乐
Higgs	`infsh/higgs-tts`	专业旁白
VibeVoice	`infsh/vibevoice`	情绪范围

使用方式

基础生成示例（Kokoro TTS）：

belt app run infsh/kokoro-tts --input '{
"prompt": "Hello! This is an AI-generated voice that sounds natural and engaging.",
"voice": "af_sarah"
}'

Kokoro 音色库

美式英语：af_sarah（女，温暖友好）、af_nicole（女，专业）、af_sky（女，年轻）、am_michael（男，权威）、am_adam（男，对话式）、am_echo（男，清晰中性）。

英式英语：bf_emma（女，优雅）、bf_isabella（女，温暖）、bm_george（男，经典）、bm_lewis（男，现代）。

Inworld TTS 角色与情绪音色

Inworld TTS-2 面向角色语音、游戏与富有表现力的语音，可用 [方括号] 内联控制情绪、非语言与表达方式：

belt app run inworld/text-to-speech-2 --input '{
  "text": "[excited] Oh wow, you actually found the ancient artifact! [gasp] I cannot believe it... [whisper] We need to keep this between us.",
  "voice_id": "Sarah",
  "delivery_mode": "CREATIVE"
}'

表达模式：STABLE（一致、旁白）、BALANCED（自然、默认）、CREATIVE（表现力强、角色）。

引导示例：[laugh]、[sigh]、[whisper]、[excited]、[sad]、[angry]、[pause]、[gasp]。

内置音色（15 种语言共 271+）：Sarah、Alex、Ashley、Dennis、Hana、Blake、Luna、Clive 等。

低延迟实时/对话式 AI

belt app run inworld/text-to-speech-1-5-mini --input '{
  "text": "Welcome, traveler. What brings you to our village?",
  "voice_id": "Clive",
  "speaking_rate": 0.9
}'

多角色对话

分别生成两位说话人的音频，再用 infsh/media-merger 合并：

belt app run infsh/media-merger --input '{
  "audio_files": ["<speaker1-url>", "<speaker2-url>"],
  "crossfade_ms": 300
}'

长文本处理

超过 5000 字符的内容建议分块处理，再通过 infsh/media-merger 合并（crossfade_ms 可设为 100）。

语音 + 视频工作流

添加配音：先生成语音，再用 infsh/media-merger 传入 video_url 与 audio_url 合并。

生成说话头像：先生成语音，再用 bytedance/omnihuman-1-5 传入 image_url 与 audio_url 动画化。

速度与节奏

速度参考：0.8 慢速（有声书、冥想）、0.9 稍慢（教育、教程）、1.0 正常、1.1 稍快（广告、活力）、1.2 快速（简短通知）。

标点控制节奏：句号（完整停顿）、逗号（短暂停顿）、省略号（延长停顿）、感叹号（强调）、问号（疑问语调）、连字符（快速中断）。

最佳实践

音色匹配内容：商务用专业音色，社交用休闲音色
使用标点控制节奏
保持句子简短，更易生成且更自然
测试不同音色，同一文本在不同音色下效果不同
调整速度，稍慢通常更自然
长内容分块处理以保持一致性

适用场景

配音（视频旁白、广告）、有声书、播客、电子学习、无障碍（屏幕阅读器内容）、IVR（电话系统消息）、内容本地化（翻译并配音）。

限制

资料未提供各模型的具体收费、价格、配额、平台支持范围及生成时长上限等信息，暂未提供。

技能介绍

用途