text-to-speech

用途

本技能用于通过 inference.sh CLI（belt）将文本转换为自然语音。它整合了多个文本转语音（TTS）模型，用户可在命令行中调用不同模型生成语音，适用于配音、有声书、播客、无障碍内容、IVR 语音提示、视频旁白、游戏 NPC、对话式 AI 以及虚拟形象视频等场景。

主要能力

技能提供以下可用模型：

Inworld TTS-2（App ID：inworld/text-to-speech-2）：支持 100 多种语言，可通过方括号进行情感引导，支持交付模式。
Inworld TTS 1.5 Max（inworld/text-to-speech-1-5-max）：低延迟（<200ms），支持 15 种语言。
Inworld TTS 1.5 Mini（inworld/text-to-speech-1-5-mini）：超低延迟（约 120ms），支持 15 种语言。
ElevenLabs TTS（elevenlabs/tts）：高品质，22 种以上声音，32 种语言。
DIA TTS（infsh/dia-tts）：对话式、富有表现力。
Kokoro TTS（infsh/kokoro-tts）：快速、自然。
Chatterbox（infsh/chatterbox）：通用。
Higgs Audio（infsh/higgs-audio）：情感控制。
VibeVoice（infsh/vibevoice）：播客、长篇内容。

可通过 belt app list --category audio 浏览所有音频应用。

使用方式

首先安装 belt CLI 技能：

npx skills add belt-sh/cli

需要 inference.sh CLI（belt），安装说明见官方文档。登录：

belt login

生成语音的基本命令：

belt app run infsh/kokoro-tts --input '{"text": "Hello, welcome to our product demo."}'

Inworld TTS-2 情感引导

Inworld TTS-2 支持用 [方括号] 进行自然语言引导，可在文本中内联控制情感、音量、语速和非语言声音：

belt app run inworld/text-to-speech-2 --input '{
  "text": "I have some [exciting] news to share with you! [pause] We just hit one million users. [laugh]",
  "voice_id": "Sarah",
  "delivery_mode": "CREATIVE"
}'

交付模式包括：STABLE（一致）、BALANCED（自然，默认）、CREATIVE（富有表现力）。

内置声音超过 271 种，覆盖 15 种语言，包括 Sarah、Alex、Ashley、Dennis、Hana、Blake、Luna、Clive 等。可在 Inworld TTS Playground 浏览所有声音，或通过 GET https://api.inworld.ai/voices/v1/voices 以编程方式列出。

Inworld TTS 1.5 低延迟

适用于对速度要求高的实时应用：

# Max quality at low latency (<200ms)
belt app run inworld/text-to-speech-1-5-max --input '{
  "text": "Welcome back! How can I help you today?",
  "voice_id": "Ashley"
}'

# Ultra-low latency (~120ms) for conversational AI
belt app run inworld/text-to-speech-1-5-mini --input '{
  "text": "Sure, let me look that up for you.",
  "voice_id": "Dennis"
}'

DIA 对话式 TTS

belt app sample infsh/dia-tts --save input.json

# Edit input.json:
# {
#   "text": "Hey! How are you doing today? I'm really excited to share this with you.",
#   "voice": "conversational"
# }

belt app run infsh/dia-tts --input input.json

长篇音频（播客）

belt app sample infsh/vibevoice --save input.json

# Edit input.json with your podcast script
belt app run infsh/vibevoice --input input.json

Higgs 富有表现力的语音

belt app sample infsh/higgs-audio --save input.json

# {
#   "text": "This is absolutely incredible!",
#   "emotion": "excited"
# }

belt app run infsh/higgs-audio --input input.json

与视频结合

创建说话头像视频最简单的方式是使用 P-Video-Avatar，其内置 TTS，无需单独的音频步骤：

belt app run pruna/p-video-avatar --input '{
  "image": "https://portrait.jpg",
  "voice_script": "Your script here",
  "voice": "Zephyr (Female)"
}'

对于没有内置 TTS 的模型（OmniHuman、PixVerse），需先生成语音：

# 1. Generate speech with Inworld TTS-2 (emotion steering)
belt app run inworld/text-to-speech-2 --input '{
  "text": "[friendly] Your script here. [excited] This is the best part!",
  "voice_id": "Sarah",
  "delivery_mode": "CREATIVE"
}' > speech.json

# 2. Use the audio URL with OmniHuman for avatar video
belt app run bytedance/omnihuman-1-5 --input '{
  "image_url": "https://portrait.jpg",
  "audio_url": "<audio-url-from-step-1>"
}'

适用场景

配音：产品演示、讲解视频
有声书：将文本转换为口语
播客：生成播客剧集
无障碍：让内容更易获取
IVR：电话系统语音提示
视频旁白：为视频添加旁白
游戏 / NPC：带情感引导的角色声音（Inworld TTS-2）
对话式 AI：超低延迟响应（Inworld TTS 1.5 Mini）
虚拟形象 / UGC 视频：为说话头像虚拟形象生成语音

限制

关于各模型的具体收费、价格、平台支持范围及使用配额，资料中暂未提供。

技能介绍

用途