用途：将文本转换为语音，适用于视频配音、有声书、实时交互等语音创作场景，支持音色克隆、情感适配、流式生成和多语言方言。
主要能力：从参考音频提取音色特征实现角色音色克隆；根据文本情绪自动调整语调、语速、音调；流式实时配音，边输入文本边生成语音；支持中文、英文及多种方言；提供 1.7B 高质量模型与 0.6B 快速模型两种选择。
使用方式：前置需下载对应模型权重（见 references/model_config.md），安装 Python 依赖。基础合成调用 scripts/tts_generate.py；音色克隆调用 scripts/voice_clone.py 提取特征并保存为可复用音色模型；流式模式在 tts_generate.py 中启用；情感适配由智能体分析文本情绪后自动设置参数。示例命令：python scripts/tts_generate.py --text "你好" --output_path ./output/hello.wav --model_size 1.7B --voice default；python scripts/voice_clone.py --reference_audio ./reference.wav --voice_name my_voice --output_dir ./voices。
适用场景：高质量配音与有声书建议用 1.7B 模型；实时交互、智能客服建议用 0.6B 模型。
限制：推荐 8GB+ 显存 GPU（0.6B 可 CPU 运行），建议 16GB+ 内存、至少 10GB 磁盘空间；音色克隆参考音频需清晰无噪音，建议 5-15 秒、最短不少于 3 秒，单人语音效果最佳；流式生成会产生多个临时音频片段；情感适配效果取决于情感标注准确性，可手动微调参数。